Sie sind auf Seite 1von 93

UNIVERSIDADE CANDIDO MENDES

METODOLOGIA VALUE AT RISK APLICADA À CARTEIRA DO FUNDO NAVAL

Eduardo Rocha de Freitas

Rio de Janeiro
Junho/2013
UNIVERSIDADE CANDIDO MENDES
Pró-Reitoria de Pós-Graduação e Pesquisa
Mestrado em Economia Empresarial

METODOLOGIA VALUE AT RISK APLICADA À CARTEIRA DO FUNDO NAVAL

Eduardo Rocha de Freitas

Dissertação apresentada ao curso de Mestrado em


Economia Empresarial da UCAM, como parte
dos requisitos para obtenção do título de Mestre.

Orientador: Prof. Dr. Marcelo de Sales Pessoa

Rio de Janeiro
Junho/2013
Eduardo Rocha de Freitas

METODOLOGIA VALUE AT RISK APLICADA À CARTEIRA DO FUNDO NAVAL

Dissertação apresentada ao curso de Mestrado em


Economia Empresarial da UCAM, como parte
dos requisitos para obtenção do título de Mestre.

Aprovado pela Banca Examinadora em ___ / ___ / 2013.

BANCA EXAMINADORA:

_____________________________________________________
Prof. Dr. Marcelo de Sales Pessoa / UCAM / RJ
Orientador

_______________________________________________________
Prof. Dr. José Cláudio Ferreira da Silva / UCAM / RJ

_______________________________________________________
Profª. Drª. Roberta Montello Amaral / UCAM / RJ

Rio de Janeiro
Junho/2013
Sempre foi por causa de vocês:
à minha esposa Ana Paula
e aos meus filhos Fabrício e Rodrigo.
AGRADECIMENTOS

Ao Exmo. Sr. Vice-Almirante (RM1-IM) Edésio Teixeira Lima Júnior, primeiro


incentivador na busca pelo mestrado.

Ao Exmo. Sr. Contra-Almirante (IM) Samy Moustapha, Diretor de Finanças da


Marinha, um entusiasta da capacitação permanente de seus subordinados.

Ao Sr. Capitão-de-Corveta (IM) Luiz Cláudio Otranto Alves, Chefe do Departamento


de Administração Financeira da Diretoria de Finanças da Marinha, por apoiar e facilitar a
conclusão deste estudo, entendendo a necessidade de aperfeiçoamento da Seção de Análise de
Risco do Fundo Naval.

Ao Sr. Capitão-de-Corveta (IM) Leandro de Oliveira Mourão, Encarregado do Fundo


Naval, pelas constantes discussões, orientações e olhar crítico sobre a adequação das
metodologias aplicadas neste trabalho às práticas e às necessidades do Fundo.

À Sra. Capitão-de-Corveta (IM) Maria de Fátima Bandeira dos Santos, pela


contribuição “leiga” fundamental, proporcionada pela leitura antecipada dos capítulos,
apontando pontos críticos, confusos e pouco desenvolvidos do trabalho.

Ao Sr. Sargento (AD) Livingston Brito de Jesus e à Sra. Cabo (AE) Lívia dos Anjos
Silveira Ferreira pelo apoio no manuseio do software livre R e pela primorosa dedicação à
manutenção da base de dados do Fundo Naval, sem a qual este trabalho não seria possível.

Aos demais militares e servidores civis da Diretoria de Finanças da Marinha que em


maior ou menor grau contribuíram para a conclusão deste trabalho.

Aos Profs. Drs. José Cláudio Ferreira da Silva e Roberta Montello Amaral
componentes da banca examinadora pelas valiosas críticas que em muito contribuíram para o
aperfeiçoamento do trabalho.

Ao meu orientador, Prof. Dr. Marcelo de Sales Pessoa, pela paciência, entusiasmo e
dedicação com que norteou os caminhos a serem percorridos.
SUMÁRIO

Lista de Ilustrações ------------------------------------------------------------------------- 08


Lista de Tabelas ----------------------------------------------------------------------------- 09
Lista de Abreviaturas ---------------------------------------------------------------------- 10
Resumo ---------------------------------------------------------------------------------------- 11
Abstract ---------------------------------------------------------------------------------------- 12
1 Introdução ---------------------------------------------------------------------------------- 13
2 Fundo Naval -------------------------------------------------------------------------------- 16
2.1 Considerações Gerais -------------------------------------------------------------------- 16
2.2 Aplicação dos recursos no mercado financeiro -------------------------------------- 18
3 Revisão da Literatura -------------------------------------------------------------------- 21
3.1 VaR: Aspectos gerais -------------------------------------------------------------------- 21
3.2 Hipóteses simplificadoras e parâmetros do VaR ------------------------------------- 22
3.2.1 A normalidade e a média nula dos retornos ---------------------------------------- 22
3.2.2 O nível de significância e o horizonte de tempo ----------------------------------- 24
3.3 Limitações, críticas e alternativas ao VaR -------------------------------------------- 25
3.3.1 Situações normais de mercado ------------------------------------------------------- 25
3.3.2 A normalidade dos retornos ---------------------------------------------------------- 26
3.3.3 As caudas “gordas” e os modelos de estimação da volatilidade dos retornos - 26
3.3.4 A Teoria do Valor Extremo --------------------------------------------------------- 27
3.3.5 Outras críticas ao VaR ---------------------------------------------------------------- 27
3.4 Metodologias para o cálculo do VaR -------------------------------------------------- 28
3.4.1 Modelos Paramétricos e não-Paramétricos ----------------------------------------- 28
3.4.2 VaR Paramétrico ----------------------------------------------------------------------- 29
3.4.3 VaR não-paramétrico ------------------------------------------------------------------ 29
3.4.4 Simulação Histórica ------------------------------------------------------------------- 30
3.4.4.1 Simulação Histórica: benefícios, problemas e alternativas -------------------- 30
3.4.4.2 Classificação com base no peso da observação na amostra -------------------- 32
3.4.4.3 Comparação com outros modelos ------------------------------------------------- 32
3.4.5 Simulação de Monte-Carlo ----------------------------------------------------------- 32
3.4.6 VaR Auto-Regressivo Condicional por Regressão Quantílica ------------------- 34
3.4.7 Modelos específicos para renda fixa ------------------------------------------------ 34
3.4.7.1 Preparação da carteira para aplicação do VaR ----------------------------------- 35
3.4.7.2 Utilizando a duration: o modelo delta-gama-normal --------------------------- 35
3.4.7.2.1 Limitações do modelo delta-gama-normal ------------------------------------- 36
3.4.7.2.1.1 Movimento paralelo da curva de juros --------------------------------------- 36
3.4.7.2.1.2 Necessidade do mapeamento como alternativa à matriz de covariância - 37
3.4.7.3 Modelo delta-gama-normal com expansão de Taylor -------------------------- 38
3.4.7.4 Modelo de dois fatores -------------------------------------------------------------- 38
3.5 Backtesting -------------------------------------------------------------------------------- 40
3.6 Outras aplicações do VaR --------------------------------------------------------------- 42
3.7 Da literatura à prática -------------------------------------------------------------------- 42
4 Metodologia -------------------------------------------------------------------------------- 44
4.1 Definição da carteira --------------------------------------------------------------------- 44
4.2 Títulos que compõem a carteira -------------------------------------------------------- 45
4.3 Carteira adaptada para o trabalho ------------------------------------------------------ 45
4.4 Análise preliminar dos dados ----------------------------------------------------------- 46
4.5 Metodologias aplicadas aos dados ----------------------------------------------------- 52
5 Resultados ---------------------------------------------------------------------------------- 54
5.1 VaR pela metodologia da simulação histórica pesos fixos ------------------------- 54
5.2 VaR pela metodologia da simulação histórica com suavização exponencial ---- 55
5.3 VaR pela metodologia da simulação de Monte Carlo ------------------------------- 57
5.4 VaR pela metodologia delta-normal --------------------------------------------------- 58
5.5 VaR pela metodologia delta-normal com suavização exponencial ---------------- 60
5.6 VaR pela metodologia auto-regressiva condicional por regressão quantílica ---- 62
5.7 VaR com metodologias específicas para uma carteira de renda fixa -------------- 63
5.7.1VaR pela metodologia delta-gama-normal ------------------------------------------ 63
5.7.2 VaR pela metodologia delta-gama-normal com expansão de Taylor ----------- 65
5.7.3 VaR pela metodologia de dois fatores ---------------------------------------------- 67
5.8 Resumo dos Resultados------------------------------------------------------------------ 71
6 Análise dos Resultados ------------------------------------------------------------------- 73
6.1 Aspectos Gerais -------------------------------------------------------------------------- 74
6.2 Backtesting -------------------------------------------------------------------------------- 74
6.3 Análise das metodologias aplicadas --------------------------------------------------- 77
7 Considerações Finais --------------------------------------------------------------------- 80
Referências Bibliográficas ----------------------------------------------------------------- 85
Apêndice A: Cálculo da duration, da duration modificada e da convexidade da
carteira------------------------------------------------------------------------------------------ 90
LISTA DE ILUSTRAÇÕES

Figura 1 Retornos aritméticos percentuais da carteira ALFA 49


Figura 2 Histograma da distribuição dos retornos aritméticos percentuais da
50
carteira ALFA em base points
Figura 3 Histograma da distribuição dos retornos aritméticos percentuais da
carteira ALFA em base points, sem o período de maior 51
volatilidade
LISTA DE TABELAS

Tabela 1 Participação dos juros no total das receitas do Fundo Naval 18


Tabela 2 Composição da carteira do fundo Acanthus (03/01/12) 20
Tabela 3 Resumo teórico comparativo das metodologias de VaR 43
Tabela 4 Composição da carteira ALFA em 03/01/12 46
Tabela 5 Desvio padrão e retornos médios diários dos papéis da carteira ALFA 47
Tabela 6 Correlação entre os papéis da carteira ALFA 48
Tabela 7 Estatísticas básicas dos retornos aritméticos diários – carteira ALFA 49
Tabela 8 VaR – Simulação Histórica pesos fixos 55
Tabela 9 VaR – Simulação Histórica com suavização exponencial 56
Tabela 10 VaR – Simulação de Monte Carlo 58
Tabela 11 VaR – Delta-normal 59
Tabela 12 VaR – Delta-normal com suavização exponencial 60
Tabela 13 VaR – Auto-Regressivo Condicional por Regressão Quantílica 63
Tabela 14 VaR – Delta-gama-normal 64
Tabela 15 VaR – Delta-gama-normal com expansão de Taylor 66
Tabela 16 Carteira ALFA adaptada ao modelo de dois fatores 68
Tabela 17 Rentabilidade e variações das taxas de juros por período 68
Tabela 18 Variações das taxas de juros, estimadores dos coeficientes de
paralelismo e de rotação após as regressões lineares. 70
Tabela 19 Taxas médias ao período 70
Tabela 20 VaR – Metodologia de dois fatores 70
Tabela 21 Estimativas de VaR, por metodologia, com 99% de confiança 71
Tabela 22 Número de violações ao VaR (30 observações) 74
Tabela 23 Valores de backtesting da função de perda de Lopez 76
Tabela 24 Carteira ALFA sem as LFTs em 13/08/12 91
Tabela 25 Carteira ALFA sem as LFTs em 13/08/12. Valores futuros na data da
duration 93
LISTA DE ABREVIATURAS

ARCH - Autoregressive Conditional Heterokedasticity


BB - Banco do Brasil
BIS - Bank for International Settlements
CDI - Certificado de Depósito Interbancário
CEF - Caixa Econômica Federal
COFAMAR - Conselho Financeiro e Administrativo da Marinha
COPOM - Comitê de Política Monetária
DFM - Diretoria de Finanças da Marinha
DPGE - Depósito a Prazo com Garantia Especial
EQMA- Equally Weighted Moving Average
EWMA - Exponencially Weighted Moving Average
FGC - Fundo Garantidor de Crédito
FN - Fundo Naval
GARCH - Generalized Autoregressive Conditional Heterokedasticity
JAFN - Junta Administrativa do Fundo Naval
LF - Letra Financeira
LFT - Letra Financeira do Tesouro
LOA - Lei de Orçamento Anual
LTN - Letra do Tesouro Nacional
MB - Marinha do Brasil
OGU - Orçamento Geral da União
SIAFI - Sistema Integrado de Administração Financeira
SELIC - Sistema Especial de Liquidação e Custódia
SGM - Secretaria Geral de Marinha
TUF - Tarifa de Utilização de Faróis
VaR - Value at Risk
RESUMO

Ampliando a utilização de ferramentas de gestão, originadas no âmbito privado, dentro


da esfera pública, principalmente na área de gestão do risco, este trabalho tem por objetivo
verificar a aplicação de metodologias de estimação do valor em risco em uma carteira
específica do Fundo Naval da Marinha do Brasil. Diante desta proposta foram revisitados os
conceitos de Value at Risk (VaR), de suas metodologias de cálculo e dos testes aplicados aos
resultados. A carteira do Fundo Naval, sob a qual as metodologias foram aplicadas constitui-
se exclusivamente de títulos de renda fixa, motivo pelo qual também foram aplicadas
metodologias específicas para carteiras compostas por estes papéis. A análise inicial dos
dados apontou para a fragilidade da hipótese de normalidade dos retornos da carteira, o que
comprometeu os resultados das metodologias delta-normal. Contudo, os resultados do
backtesting realizados foram inconclusivos, consideradas as limitações e as hipóteses de
trabalho. Mesmo assim, foi possível identificar que as metodologias não-paramétricas de
cálculo do VaR são as mais aconselháveis a serem introduzidas na rotina da Seção de Análise
de Risco do Fundo Naval, priorizando a qualificação do pessoal envolvido para a utilização
do modelo auto-regressivo condicional por regressão quantílica.

Palavras-chave: Gestão do risco. Valor em risco. Metodologias de VaR. Fundo Naval.


ABSTRACT

Expanding the use of management tools, originated in the private, within the public
sphere, especially in the area of risk management, this paper aims to verify the application of
methodologies for estimating the value at risk on a specific portfolio of the Naval Fund’s of
Brazilian Navy. Given this proposal were revisited the concepts of Value at Risk (VaR), their
calculation methodologies and results of the tests. The Naval Fund’s portfolio, under which
the methodologies were applied, consists exclusively of fixed-income securities, for which
methodologies have been applied to specific portfolios composed of these roles. The initial
analysis of the data pointed to the fragility of the hypothesis of normality of the portfolio
returns, which compromised the results of delta-standard methodologies. However, the results
of backtesting performed were inconclusive, considering the limitations and working
hypotheses. Still, it was possible to identify the methodologies nonparametric VaR calculation
are the most recommended to be introduced as part of the Risk Analysis Section of the Naval
Fund, prioritizing the personnel involved in the use of autoregressive conditional by quantile
regression.

Keywords: Risk management. Value at Risk. VaR methodologies. Naval Fund.


1 INTRODUÇÃO

A cada dia, “boas práticas” de gestão no âmbito da iniciativa privada são incorporadas
ao setor público. A profissionalização do gestor ocorre em diversos níveis e esferas da
Administração Pública.

Do ponto de vista da gestão financeira, não obstante a postura conservadora que deve
ser adotada pelos órgãos públicos, somente é possível cumprir os objetivos de forma
sustentável e eficaz mediante o uso racional dos recursos econômicos disponíveis.

Nas Forças Armadas, a necessidade de especialização do “gestor militar” foi surgindo


gradativamente. Para exemplificar, em 29 dezembro de 1998, o Ministro de Estado da
Fazenda, por portaria, autorizou os fundos que interessam à defesa nacional a efetuarem
aplicações no mercado financeiro.

Até aquela ocasião, os recursos do Fundo Naval somente podiam ser aplicados no
Banco do Brasil e na Caixa Econômica Federal. A baixa concorrência resultava em taxas de
juros pouco vantajosas. Com a previsão legal, a concorrência e a diversidade de produtos
disponíveis para aplicação aumentaram e as taxas obtidas foram melhorando. Em paralelo, a
Marinha percebeu a necessidade de especializar seus operadores (gestores militares), os quais
não reuniam, em suas qualificações básicas, a noção referencial do mercado.

Em um primeiro momento, a necessidade de gestão especializada dos recursos


próprios da Marinha resultou na revitalização da Mesa de Operações Financeiras, na
qualificação do pessoal envolvido e na reformulação da estrutura administrativa interna com a
criação, dentro do Fundo Naval, da Seção de Análise de Risco (DFM, 2009; SGM-301,
2008).

Além disso, o Fundo Naval compõe o orçamento do Comando da Marinha do Brasil,


movimentando valores que ultrapassam a casa dos bilhões de reais, e o resultado de suas
aplicações financeiras constituem receitas do Fundo. Uma vez bem gerido, o resultado das
aplicações atenuam as pressões orçamentárias sobre a Força Naval e, consequentemente,
sobre o orçamento da União.
Vale ressaltar que o Sistema Integrado de Administração Financeira (SIAFI) não
possui evento/conta contábil ou mesmo rubrica para apuração de prejuízo em receitas com
vinculação orçamentária.

Desse modo, as aplicações dos recursos do Fundo Naval possuem uma característica
conservadora, avessa ao risco, mas que exige constante atualização técnica do pessoal
envolvido e recursos de tecnologia da informação capazes de subsidiar as estratégias e
decisões a tomar, uma vez que não podem gerar prejuízos financeiros.

Dentre os riscos incorridos pela carteira do Fundo Naval, destaca-se o risco de


mercado, ou seja, o risco da taxa de juros. Nesse sentido, este estudo possui, como tema, a
mensuração deste risco. Pretende-se contribuir para que, na própria estrutura administrativa
do Fundo Naval, seja mensurado o risco de mercado por intermédio do cálculo do Value at
Risk (VaR) de sua carteira. Ou seja, que se implante, na Seção de Análise de Risco, uma das
mais disseminadas metodologias de mensuração do risco de mercado, amplamente difundida
nas instituições financeiras e em algumas não-financeiras de âmbito público e privado.

Para fins de delimitação da pesquisa, o trabalho concentrará a análise das


metodologias de VaR na carteira do fundo exclusivo junto à Caixa Econômica Federal,
denominado fundo Acanthus.

Dentre as diversas metodologias de cálculo do VaR existentes, o estudo tem, por


objetivo principal, responder à seguinte pergunta de pesquisa: dadas as características da
carteira, dentre as metodologias de estimação do Value at Risk estudadas, existe aquela que
melhor se adapte à realidade do Fundo Naval, levando em consideração: a praticidade da
metodologia de cálculo, as necessidades computacionais envolvidas e os resultados
alcançados?

O fato é que em decorrência desta pesquisa acadêmica, deverá ocorrer a efetiva


implantação de uma metodologia como rotina diária da Seção de Análise de Risco do Fundo
Naval. Mais do que isso, ao se aplicar as construções metodológicas teóricas à carteira real do
Fundo, certamente serão ampliados os conhecimentos sobre risco e gestão de risco dos
gestores.

Ao decorrer do trabalho, apesar dos resultados das metodologias e do backtesting


aplicado não serem conclusivos quanto à melhor metodologia, a pesquisa indicará a adoção de
metodologias não-paramétricas de estimação do VaR, podendo ser: a simulação histórica com
suavização exponencial, a simulação de Monte-Carlo ou a auto-regressiva condicional por
regressão quantílica, em virtude da impossibilidade de delineamento do comportamento da
distribuição dos retornos.

Para conseguir chegar a esta conclusão e responder a pergunta da pesquisa esta


dissertação foi estruturada em sete capítulos contando esta introdução.

O segundo capítulo discorre sobre o Fundo Naval, apresentando-o, descrevendo quais


são suas receitas, como são aplicados seus recursos e de que forma é constituída a carteira
objeto da análise.

No terceiro capítulo, são revisitados os conceitos de Value at Risk, algumas de suas


metodologias de cálculo, suas hipóteses, críticas e limitações. Também são apresentados os
tipos de testes indicados para aferição das metodologias aplicadas.

O capítulo quatro destina-se à definição da composição da carteira de trabalho com as


adaptações necessárias, além de descrever e analisar os dados iniciais, antes da aplicação das
metodologias.

No quinto capítulo, são aplicadas as metodologias de estimação de VaR e


apresentados os resultados alcançados para cada modelo.

O sexto capítulo consiste na análise dos resultados, na aplicação do modelo de


backtesting e na análise da aplicabilidade das metodologias.

O sétimo capítulo consiste nas considerações finais e na confirmação de que os


objetivos iniciais foram alcançados, respondendo ao problema da pesquisa. Encontram-se
também apresentadas as limitações do trabalho, dos modelos propostos e as demais
dificuldades no desenvolvimento da pesquisa. Neste capítulo ainda se discute algumas lacunas
no conhecimento que podem ser desenvolvidas em outros trabalhos.
2 FUNDO NAVAL

Este capítulo apresenta o Fundo Naval da Marinha do Brasil de forma ostensiva1, ou


seja, em seus aspectos não estratégicos, abordando sua natureza, estrutura administrativa e
suas fontes de receitas. Dentre estas, serão destacadas as aplicações financeiras e,
principalmente, a existência de carteiras de renda fixa em fundos exclusivos.

2.1 Considerações Gerais

Segundo circular interna da Secretaria Geral da Marinha do Brasil (SGM, 2013), o


Fundo Naval (FN) é um fundo especial de natureza orçamentária, ou seja, é o produto de
receitas especificadas que, por lei, vinculam-se à realização de determinados objetivos ou
serviços, facultada a adoção de normas peculiares de aplicação.

Criado pelo Decreto nº. 20.923, de 8 de janeiro de 1932, alterado pelo Decreto 21.313,
de 21 de abril de 1932 e pelos Decretos-Lei 7.365, de 8 de março de 1945; 9.651, de 23 de
agosto de 1946; 204, de 27 de fevereiro de 1967 e 1.754, de 31 de dezembro de 1979, e pela
Lei 4.905, de 17 de dezembro de 1965, teve seu regulamento aprovado pelo Decreto 46.429,
de 14 de julho de 1959 e tem como principal finalidade a renovação do material flutuante de
toda a Marinha de Guerra Brasileira.

No nível estratégico, a administração do FN no país e no exterior fica a cargo da Junta


Administrativa do Fundo Naval (JAFN), constituída pelos membros do Conselho Financeiro e
Administrativo da Marinha do Brasil (COFAMAR).

Ao Comandante da Marinha, como presidente desse conselho, cabe determinar a


aplicação dos recursos do FN na execução de projetos da Marinha do Brasil (MB), em
complementação aos recursos do Tesouro Nacional.

O Secretário Geral da Marinha ou o Diretor de Finanças da Marinha, por delegação do


Secretário, poderá estabelecer as normas e diretrizes básicas para as operações do FN,
aprovadas pela JAFN.

1
Segundo determinação da Junta Administrativa do Fundo Naval, somente podem ser disponibilizadas
informações relativas ao fundo de caráter ostensivo.
O FN passou a integrar o orçamento anual da MB a partir do final da década de 90.
Antes, contudo, a aprovação de seus gastos era limitada apenas ao âmbito da própria Força,
servindo, por diversas vezes, para suprir as insuficiências decorrentes do Orçamento Geral da
União (OGU). Atualmente, como parte integrante da Lei de Orçamento Anual (LOA), o
orçamento do FN integra o Orçamento da Marinha do Brasil, que por sua vez está incluído no
Orçamento Geral da União, aprovado pelo Congresso Nacional e sancionado pelo Presidente
da República.

Note-se que as previsões de gastos do FN constantes na LOA não contemplam a


totalidade de seu numerário, pois parte deste ativo será destinada para as despesas do
exercício financeiro. Contudo, com o crescente aumento das demandas da MB, o Comando da
Marinha procura permanentemente manter o poder aquisitivo do FN, combatendo a
ociosidade de suas disponibilidades.

Segundo a SGM-301 (2008), compõem as receitas do FN:

• o produto das vendas de material inutilizado;

• o produto da alienação de navios, terrenos e prédios do patrimônio nacional sob


jurisdição da MB;

• as rendas das Capitanias dos Portos, Delegacias e Agências;

• as rendas das Organizações Militares prestadoras de serviços;

• as rendas provenientes de socorro e salvamento navais;

• as indenizações a verbas orçamentárias, de exercícios já encerrados;

• a arrecadação da Tarifa de Utilização de Faróis (TUF);

• os juros de depósitos ou de aplicações financeiras realizadas com recursos do próprio


FN;

• as rendas provenientes de serviços de qualquer espécie, prestados pela MB; e

• as contribuições e rendas diversas.


2.2 Aplicação dos recursos no mercado financeiro

Dentre os ingressos registrados no fundo, há aqueles provenientes da aplicação de seus


recursos no mercado financeiro (Portaria nº. 345, do Ministro de Estado da Fazenda, datada
de 29 de dezembro de 1998).

A Tabela 1 mostra que entre os anos de 2009 e 2012, as receitas com os juros mensais
das aplicações financeiras corresponderam a quase um terço da receita total do Fundo.

Tabela 1: Participação dos juros no total das receitas do Fundo Naval

ANO % Juros sob receita


2009 30,30%
2010 32,02%
2011 32,62%
2011 33,45%
Fonte: DFM – Divisão do Fundo Naval

Devido ao seu caráter estratégico, a alta administração naval estabelece em documento


formal (DFM, 2009): os critérios de segregação e classificação das instituições financeiras
aptas a operar com o FN; o perfil de investimento do fundo; a distribuição dos recursos entre
bancos públicos, bancos privados e a rentabilidade mínima esperada para a carteira, o que
torna fundamental o estudo de metodologias que auxiliem o gerenciamento dos riscos, a fim
de diminuir o grau de incerteza dos retornos.

As instituições financeiras que operam com o FN são classificadas em instituições de


grande porte (1ª. linha) e médio porte (2ª linha). Esta classificação é efetuada internamente na
Seção de Análise de Risco do Fundo Naval, a partir da análise das demonstrações contábeis
oficiais da instituição analisada e das classificações de risco emitidas por agências de rating
acreditadas no mercado.

De acordo com o estabelecido em norma interna (DFM, 2009), “as aplicações no país
deverão ser efetuadas na Conta Única do Tesouro Nacional, no Banco do Brasil, na caixa
Econômica Federal, e também em bancos privados nacionais de primeira linha”. Além disso,
os recursos serão investidos exclusivamente, em ativos de renda fixa, utilizando-se das
seguintes alternativas:

• Aquisição de papéis públicos e privados por intermédio de fundos exclusivos da Caixa


Econômica Federal (CEF Acanthus) e do Banco do Brasil (BB Admiral);
• Aquisição de papéis privados (Certificados de Depósitos Bancários, pré ou pós-
fixados; operações compromissadas com Títulos Públicos Federais; operações
compromissadas em títulos de emissão do conglomerado econômico ao qual pertença
a instituição; estratégia de renda fixa sobre opções flexíveis de taxa de câmbio de reais
por dólares americanos (box de duas pontas); Letras Financeiras; e Depósitos a Prazo
com Garantia Especial) por intermédio da mesa de operações do FN; e

• Aplicações na Conta Única do Tesouro Nacional.

Ainda segundo as “Diretrizes para Operações do Fundo Naval” (DFM, 2009), “a


carteira de investimentos será composta de, no mínimo, 70% de ativos de bancos públicos e,
no máximo, 30% de ativos de bancos privados”. E, em outro trecho do documento, determina
que, “os investimentos em cada banco privado de grande porte (1ª. linha) e de médio porte (2ª.
linha) não poderá ultrapassar 15% e 2% do patrimônio do Fundo, respectivamente”.

A rentabilidade mínima determinada para a carteira do FN é de 100,5% da taxa do


Certificado de Depósito Interbancário (CDI).

Apesar do aspecto conservador que, em regra, permeia as aplicações financeiras


realizadas por entidades e órgãos públicos, os investimentos do FN oferecem riscos que
devem ser eliminados ou reduzidos, mas, antes de tudo, mensurados.

De uma maneira geral, as aplicações do FN estão mais expostas aos riscos de mercado
(taxa de juros), risco de investimento e risco de crédito. Este trabalho visa a gestão do risco de
mercado, ao indicar subsídios para a escolha e implantação de uma metodologia de VaR que
possa ser calculada de forma rotineira na Seção de Análise de Risco do FN.

Para tanto, utilizará, como base de dados, a composição da carteira do fundo exclusivo
junto à CEF, o fundo Acanthus, no primeiro semestre de 20122. A Tabela 2 apresenta os tipos,
os órgãos emissores, as datas de vencimento, os valores e as participações na carteira de cada
papel. A carteira de trabalho ALFA, definida na seção de Metodologia desta pesquisa terá
como ativos alguns dos papéis desta carteira.

2
Na seção de metodologia deste trabalho é explicado o motivo da escolha da carteira, bem como do período
analisado.
Tabela 2: Composição da carteira do fundo Acanthus (03/01/12).
Valor
Nome TIPO Emissor Vencimento
(R$ milhões) Part. carteira
LFT 210100 - TRBC TP Tesouro Nacional 07/09/2017 2,33 1,63%
LFT 210100 - TRBC TP Tesouro Nacional 01/03/2018 35,33 24,79%
LF N LF0010000MX - 105% CDI Flut LF BRADESCO 27/08/2012 10,54 7,40%
LF N LF0010000MU - 106.5% CDI Flut LF BNP 27/08/2012 10,58 7,42%
DPGE N DPGE10001RV - 108% CDI Flut DPGE FIBRA 15/08/2012 10,60 7,44%
DPGE N DPGE100003N - 110% CDI Flut DPGE MERCANTIL 20/12/2012 6,30 4,42%
LF N LF00110012O - 108% CDI Flut LF SANTANDER 18/02/2013 35,77 25,10%
LF N LF00110012M - 106.5% CDI Flut LF BRADESCO 18/02/2013 21,17 14,86%
LF N LF001100041 - 105% CDI Flut LF BANCO DO BRASIL 07/01/2013 2,85 2,00%
LF N LF0012003AN - 108% CDI Flut LF VOTORANTIM 17/07/2014 7,05 4,94%

Fonte: Caixa Econômica Federal / Diretoria de Finanças da Marinha (DFM)


Elaboração: Divisão do Fundo Naval – DFM

Desse modo, tendo em vista a participação dos rendimentos das aplicações financeiras
do Fundo no total de suas receitas e o caráter estratégico destas, para o orçamento da Marinha,
medir a volatilidade da rentabilidade da carteira, ou em outras palavras, mensurar seu risco,
torna-se fundamental para a uma boa gestão financeira.
3 REVISÃO DA LITERATURA

No intuito de agregar o conhecimento acadêmico registrado e possibilitar a maior


diversidade de opções para escolha de uma metodologia de cálculo de VaR, a ser aplicada na
Seção de Análise de Risco do Fundo Naval, este capítulo faz uma breve revisão do conceito
de VaR, de seus parâmetros, suas metodologias de cálculo e suas limitações. Pontuando as
críticas e as hipóteses dos modelos, procura-se apresentar as possibilidades na construção de
uma metodologia de mensuração do risco, bem como introduzir os mecanismos de testes aos
valores estimados.

3.1 VaR: Aspectos Gerais

Segundo Securato (2008), inicialmente calculava-se o risco por intermédio de modelos


matemáticos que usavam medidas contábeis do descasamento entre ativo e passivo.
Posteriormente, passou-se a adotar o conceito de duration3 para medi-lo. Ao se incorporar à
análise a situação dos mercados com a geração de cenários futuros probabilísticos, atribuindo-
se certo grau de certeza para a perda provável esperada, chegou-se próximo ao conceito
moderno de Value at Risk (VaR). Por fim, ao serem incluídas as correlações entre os
mercados, possibilitou-se que a apuração do risco fosse efetuada de forma global para as
instituições.

Originalmente desenvolvido pelo grupo de pesquisa do banco J. P. Morgan


(Riskmetrics Group)4 em 19945, o Value at Risk, de acordo com a definição de Jorion (2003),
apresenta, em termos monetários, a maior perda esperada para uma determinada carteira ou
ativo, a valor presente, dado um nível de significância, dentro de um horizonte de tempo e em
condições normais de mercado.

Ainda de acordo com Jorion (2003), a principal vantagem da metodologia VaR e um


dos principais fatores de sua disseminação, deve-se ao fato de o VaR resumir, em um único

3
Média ponderada dos prazos de vencimento de um título tendo como pesos o valor atual dos cupons.
Representa o prazo médio de vencimento do título.
4
Atualmente conhecido como RisKMetrics.
5
Em outubro de 1994 o Banco J. P. Morgan tornou pública, por intermédio da Internet, sua metodologia para o
cálculo do risco e o conceito de VaR.
número, o risco de mercado de uma determinada posição. Esta simplificação da medida de
perda potencial em um único valor monetário, tornou o VaR de fácil leitura e interpretação.

Os cálculos iniciais do VaR eram aplicados a um único ativo. Holton (2002) relata a
evolução histórica da métrica VaR ressaltando a contribuição, a partir de 1953, das
ferramentas estatísticas desenvolvidas na construção da Teoria de Carteiras de Markowitz, o
que possibilitou a incorporação do cálculo do VaR para as carteiras.

De acordo com Jorion (2003), para algumas metodologias faz-se necessário mensurar
a correlação entre os diversos ativos que compõem as carteiras. A partir da matriz de
correlação dos retornos e do VaR de cada ativo é possível obter o VaR da carteira.

“Sob um ponto de vista estatístico, diz-se que o VaR descreve o percentil da


distribuição de retornos projetada sobre uma horizonte de tempo estipulado” (GARCIA, 2007,
p. 27).

De forma matemática temos:

(1)

Onde:
= variação no valor da carteira no tempo;
nível de significância; e
1-α% = nível de confiança.

A equação (1) nos mostra que variável aleatória é a variação do valor da carteira ou do
ativo. Esta variação ocorre em função dos retornos. Desse modo, o VaR é calculado com base
nos retornos da carteira, sendo fundamental analisar a forma como estes estão distribuídos.

Neste trabalho, para fins de cálculo do VaR, serão utilizados a variação percentual dos
retornos. A apresentação do VaR monetário, quando necessária, será encontrada a partir da
multiplicação do VaR dos retornos em termos percentuais pelo valor da carteira.

3.2 Hipóteses simplificadoras e parâmetros do VaR

3.2.1 A normalidade e a média nula dos retornos


É comum admitir-se nula a média dos retornos. Segundo Souza (2003), esta hipótese
fundamenta-se na observação empírica de que as séries financeiras apresentam médias
próximas de zero. Mollica (1999) acrescenta outra justificativa. Segundo ele,

nos modelos econométricos pode-se fazer com que as estimativas da variância não
sejam influenciadas pelas estimativas da média do processo. Por último, nos modelos
de precificação de opções a média dos retornos não entra na equação do preço da
opção (MOLLICA, 1999, p. 12).

Desse modo, no entendimento de Mollica (1999), como a média não influencia os


resultados estimativos da variância, ela pode ser considerada nula.

A literatura sobre VaR e risco de mercado, sintetizada em Jorion (2003), atribui ao


VaR calculado com base na média nula, a denominação VaR absoluto. Se calculado
considerando-se a média diferente de zero ter-se-á o VaR relativo.

Deste modo, admitindo-se que “a hipótese usual é a de que os retornos dos fatores de
risco são normais” (SOUZA, 2003, p. 3), o VaR pode ser calculado simplesmente pelo limite
inferior do intervalo de confiança unicaudal para os retornos da carteira:

(2)

Onde:
é o quantil da normal padrão (Z 95% = 1,65 e Z 99% = 2,33);
é o valor da carteira no período anterior; e
é o estimador do desvio padrão.

No caso mais comum, em que é significante a correlação existente entre os ativos da


carteira, o desvio padrão estimado ( ) é calculado pela multiplicação do vetor coluna dos
pesos dos ativos pela matriz de variância-covariância.

Segundo Mollica (1999), duas outras facilidades decorrem da hipótese de


normalidade: a primeira é que “VaR’s calculados a diferentes níveis de significância podem
ser traduzidos para um nível de significância comum”. Desta forma, sendo e os níveis de
significância de VaR1 e VaR2 respectivamente, pode-se escrever:

. (3)
A segunda facilidade, de aplicabilidade mais restrita devido ao fato das séries
financeiras apresentarem heterocedasticidade, incorpora que os retornos são independentes e
identicamente distribuídos. Neste caso, “o VaR de n dias é igual a vezes o VaR de um dia”
(MOLLICA, 1999, p. 13).

3.2.2 O nível de significância e o horizonte de tempo

As decisões mais consistentes a serem tomadas com base no valor apontado pelo VaR
dependem de uma boa escolha do nível de significância e do horizonte de tempo. “Estes dois
fatores são, de certa forma, arbitrários e devem ser orientados de acordo com o objetivo do
VaR” (MACHRY, 2003, p. 14).

A escolha do nível de significância α%, ou de confiança 1-α% determinará a menor ou


maior frequência com que serão observados valores superiores ao VaR, implicando em
dificuldades na identificação de eventos incomuns.

Segundo Silva et al (2010) quanto maior o nível de confiança proposto, maior será o
número de observações que garanta uma estimação segura.

Na opinião de Souza e Silva (1999) o nível de significância possui relação direta com
o objetivo da aplicação do modelo de valor em risco da instituição. Níveis compreendidos
entre o VaR (97,5%) e o VaR (95%) são recomendados para medidas que mensurem perdas
mais freqüentes ou diárias, ou perdas ditas “normais”.Para a mensuração de “perdas raras” ou
situações de stress, os níveis de confiança aconselhados estão entre o VaR (99%) e o VaR
(99,9%).

Já Mollica (1999) defende que a escolha é arbitrária e depende, em última instância,


do propósito a ser alcançado. O autor recomenda um nível de confiança alto, se a intenção
está na avaliação da precisão de um sistema de risco a ser implantado. Se a preocupação
estiver relacionada ao volume de capital aplicado, o nível de significância terá relação com o
“grau de aversão ao risco do administrador, quanto mais averso ao risco maior deve ser o
nível de significância” (MOLLICA, 1999, p.10).

No que diz respeito ao horizonte temporal, é comum calcular o VaR para um período
de tempo idêntico ao período dos retornos, ou seja, VaR diário com base em retornos diários,
VaR mensal com base em retornos mensais, etc. Contudo, como descrito em Souza (2003),
caso a estimativa para o VaR utilize-se de dados com períodos menores do que o de interesse,
ou seja, VaR semanal com base em retornos diários, teria-se um VaR multiperíodo.

Ainda de acordo com Souza (2003), como são necessárias agregações das perdas
esperadas em cada período, os modelos que se utilizam do VaR multiperíodo são mais
complexos baseando-se em modelos da família ARCH (Autoregressive Conditional
Heterokedasticity).

De acordo com Mollica (1999), este período de tempo costuma ser o prazo necessário
para que a instituição liquide sua posição. Na mesma linha, Dowd (1998 apud MACHRY,
2003) aponta a liquidez dos ativos e dos mercados, onde está inserida a instituição, como fator
principal para definição do horizonte temporal.

Machry (2003) afirma que o horizonte de tempo deve ser determinado pela natureza
da carteira. Por exemplo, os fundos de pensão ajustam-se ao risco mais lentamente, adotando
como padrão o período mensal.

Já Dowd (1998 apud MACHRY, 2003) aponta a liquidez dos ativos e dos mercados,
onde está inserida a instituição, como fator principal de escolha.

Geralmente os bancos utilizam o horizonte de tempo padronizado em um dia, pois


suas carteiras giram diariamente. Contudo, conforme Crouhy (2004 apud SILVA et al, 2010)
para obedecer à determinação do Bank for International Settlements (BIS)6, que requer o
cálculo para dez dias, o valor em risco diário é multiplicado pela raiz quadrada de dez.

3.3 Limitações, críticas e alternativas ao VaR

3.3.1 Situações normais de mercado

Uma das críticas ao VAR, que pode inclusive ser considerada uma limitação, é que
para obtenção dessa medida agregada de risco são efetuadas aproximações, simplificações e
suposições, fazendo com que seu cálculo seja aconselhável somente em situações normais de
mercado. Para carteiras mais complexas e com instrumentos não lineares, Souza (2012),
recomenda a elaboração de cenários de stress e o estabelecimento de regras de stop-loss,
impondo um limite para as perdas em um determinado horizonte de tempo.

6
“organização internacional que fomenta a cooperação monetária e financeira entre seus membros e serve como
banco dos bancos centrais dos países que o compõem” (VEIGA, 2002, p. 3).
3.3.2 A normalidade dos retornos

A hipótese de normalidade dos retornos é amplamente combatida. Para os críticos de


tal simplificação, os retornos normais não apresentam aderência com a realidade. Ou seja, “a
probabilidade de ocorrência de eventos extremos em séries financeiras tende a ser maior do
que numa série que tenha distribuição normal” (MOLLICA, 1999, p.18) ou, “em séries
temporais financeiras, geralmente verifica-se a presença de fat tails (caudas gordas)” (SILVA
et al, 2010. p. 22), o que leva a subestimação do valor do VaR calculado.

Esta assimetria é agravada quando a carteira contém posições em ativos não-lineares,


opções por exemplo.

3.3.3 As caudas “gordas” e os modelos de estimação da volatilidade dos retornos

Alternativamente, como sugerido por Ganem e Baidya (2007), a fim de diminuir o


efeito das caudas “gordas” pode-se optar por trabalhar com distribuições diferentes como a t-
Student ou a hiperbólica, que admitem caudas mais pesadas.

Conforme aconselham Mollica (1999) e Souza (2003), outra opção é substituir a


hipótese usual de normalidade, por uma hipótese sobre a distribuição condicional dos retornos
para o cálculo da matriz de variância-covariância, utilizando-se de modelos do tipo GARCH
(Generalized Autoregressive Conditional Heterokedasticity), para modelar a variância
condicional.

O Riskmetrics Group aconselha a utilização de uma variação do modelo GARH,


conhecida como EWMA (Exponencially Weighted Moving Average). Contudo, “o
inconveniente é que este modelo implica distribuição não-condicional degenerada para os
retornos” (SOUZA, 2003, p. 4).

Silva et al (2010) apresenta em seu estudo três modelos estatísticos de estimação de


volatilidade pelos quais que o VaR é calculado: EQMA (Equally Weighted Moving Average)
ou Médias Móveis Igualmente Ponderadas; EWMA ou Médias Móveis Exponencialmente
Ponderadas; e GARCH.
Para a mostra utilizada em seu trabalho, o modelo de melhor desempenho foi o
EWMA, também chamado de alisamento exponencial. Este modelo faz parte da metodologia
Riskmetrics do banco J. P. Morgan, considerado padrão no mercado financeiro para o cálculo
do VaR7. Seu fator de decaimento λ = 0,94 é amplamente utilizado.

Desse modo, “a ideia do EWMA é justamente identificar o λ que melhor modele a


memória de curto prazo do ativo ou do mercado como um todo” (KIMURA et al., 2008, p.
194).

3.3.4 A Teoria do Valor Extremo

Como alternativa ao uso do VaR, uma vez constatado que a distribuição dos retornos
da série financeira apresenta caudas mais pesadas ou, que seja do interesse da instituição
prevenir-se contra momentos de crise, é a utilização da Teoria do Valor Extremo. Souza e
Silva (1999) apontam a possibilidade de melhorar as estimativas para o controle do risco
utilizando-se desta teoria. Em seu trabalho, os autores investigam a aplicação da Teoria do
Valor Extremo para modelar caudas com níveis de significância menores ou iguais a 1% e
aconselham modelos tipo GARCH para níveis maiores (2,5% e 5%).

Para Ganem e Baidya (2007), a Teoria dos Valores Extremos vem sendo cada vez
mais utilizada nas modelagens de risco, pois, trata de forma independente a cauda superior e
inferior. Desta forma, consegue maior aderência às observações, o que possibilita uma melhor
predição da estrutura das caudas dos retornos de ativos, principalmente, nos níveis de
significância inferiores (0,50%, 0,25% e 0,10%).

3.3.5 Outras críticas ao VaR

Wiener (1997 apud SILVA et al, 2010) ressalta que o cálculo do VaR já traz
intrínseco uma natureza imprecisa, decorrente do caráter probabilístico com diferentes
parâmetros, erros de aproximações e ruídos nos dados de entrada, o que o leva a aconselhar
que não sejam empregados tantos esforços de cálculo, visando sua precisão.

7
Na literatura de controle de risco o modelo que ficou conhecido como Riskmetrics é o modelo delta-normal
com estimação por suavizamento exponencial da matriz de covariância (MOLLICA, 1999, p.27).
Danielsson e Hartmann (1998 apud SOUZA e SILVA, 1999) defendem que as
exigências de capital estipuladas por acordos como o da Basiléia são exageradas, não sendo
necessário a implantação de modelos de VaR tão precisos.

3.4 Metodologias para o cálculo do VaR

3.4.1 Modelos Paramétricos e não-Paramétricos

A diferença entre as metodologias paramétricas e não-paramétricas consiste em


considerar, ou não, como hipótese de trabalho, que a distribuição da variável aleatória
“retornos da carteira” possa ser parametrizada.

Nas palavras de Veiga (2002): “o Var paramétrico pode ser obtido a partir de qualquer
função cumulativa de probabilidade cuja incerteza possa ser expressa pelo desvio padrão”.

Chun (2007) apresenta uma classificação em pouco diferente. Para este autor, as
metodologias não-paramétricas são aquelas que não assumem hipótese alguma para a
distribuição dos retornos da carteira. As paramétricas assumem certas hipóteses. Neste
sentido, a Simulação de Monte-Carlo é expressa como um modelo paramétrico quando realiza
“procedimentos estatísticos para estimar o formato de uma dada distribuição de
probabilidades” (KIMURA et al, 2008, p. 51).

Entretanto, para Kimura et al (2008), “existem diversos mecanismos de projeção


associados à Simulação de Monte-Carlo, envolvendo tanto métodos paramétricos como não
paramétricos”.

Neste trabalho, somente para título de classificação, a simulação de Monte Carlo será
considerada como sendo uma metodologia não-paramétrica. Deste modo, todas as
metodologias baseadas em simulações pertencerão às não-paramétricas. Já as abordagens
pautadas na variância, covariância e em alguns modelos analíticos serão tratadas como
métodos paramétricos de cálculo.

Uma hipótese comum no cálculo do VaR paramétrico consiste em admitir que os


retornos da carteira são normalmente distribuídos com parâmetros de média e desvio-padrão.
Por outro lado, se o cálculo baseia-se em observações empíricas da distribuição dos retornos,
trata-se de um VaR não-paramétrico.
3.4.2 VaR Paramétrico

De acordo com Ganem e Baidya (2007), por esta metodologia a carteira é decomposta
em fatores primitivos de risco (ativos). Depois, atribui-se uma distribuição de probabilidade
conhecida aos retornos dos ativos que compõem a carteira. A volatilidade (desvio da carteira)
é medida por intermédio do desvio padrão ou da matriz de variância-covariância.

Usualmente, no cálculo do VaR paramétrico, a hipótese da distribuição normal dos


retornos dos fatores de risco, também conhecida por abordagem delta-normal, é bastante
utilizada “devido a facilidade operacional e teórica em se obter seus parâmetros” (VARGA,
2002, p.2). A suposição de normalidade, ao “caracterizar completamente a distribuição dos
retornos dos ativos com apenas dois parâmetros, sua média e seu desvio padrão” (MOLLICA,
1999, p. 11), confere uma simplificação de cálculo interessante ao VaR.

Mollica (1999) acredita que a “especificação e seleção de modelos é sempre guiada


por fatos estilizados empíricos”. Em sua pesquisa, este autor faz uma descrição abrangente
das técnicas de estimação da matriz de variância-covariância, acrescentando o método
amostral e o método de volatilidade estocástica.

Isto posto, o cálculo do VaR segue as seguintes etapas: (1) escolha do modelo da
família ARCH; (2) previsão da volatilidade condicional usando o modelo; e (3) construção do
intervalo de confiança. Este último será calculado com base na distribuição condicional dos
retornos, substituindo o desvio padrão não condicional estimado pelo desvio determinado pelo
modelo ARCH.

Um problema operacional surge da pouca praticidade e da necessidade de recursos


computacionais elevados para se estimar a matriz de variância-covariância. De acordo com
Jorion (2003), os parâmetros estimados crescem em proporção geométrica ao número de
ativos da carteira. Ademais, é custoso ter um banco de dados com informações históricas de
todos os ativos da carteira.

3.4.3 VaR não-Paramétrico

Encontra-se cada vez mais disseminada a ideia de que métodos baseados em


simulações são as alternativas recomendadas ao cálculo do VaR, uma vez que “ativos
financeiros não podem ser descritos por uma distribuição teórica” (BARBEDO; ARAÚJO;
LEMGRUBER, 2004, p. 1).

As metodologias não-paramétricas, segundo Machry (2003), são utilizadas para:


adaptar a não normalidade dos retornos, captar a não linearidade entre o preço e o valor do
ativo, absorver modificações no fluxo de caixa e efeitos de decaimento no tempo, além de
reduzir os problemas de sub e superestimação de estimativas de cálculo do VaR.

Segundo Vicente (2010), o método não-paramétrico baseado em simulações consiste


em recalcular o valor da carteira segundo uma série de cenários definidos. Estudam-se os
resultados obtidos e determina-se a distribuição de probabilidade dos retornos. Para a
determinação de cenários podem-se usar dados históricos ou modelos probabilísticos como a
Simulação de Monte-Carlo.

3.4.4 Simulação histórica

A princípio, não é feita nenhuma observação sobre a existência de um modelo para o


comportamento dos retornos. O argumento é que a distribuição passada explicaria o
comportamento futuro. De acordo com Tavares (2008) é mais do que isso, pois a técnica de
simulação histórica parte do pressuposto que a distribuição de probabilidade dos retornos não
se modifica no intervalo de simulação.

O método é facilmente implementado com pouco esforço computacional: de forma


direta e intuitiva, ordenam-se os retornos passados e calcula-se o percentil correspondente ao
nível de significância do VaR.

De acordo com Garcia (2007), a simulação histórica trata as distribuições como se


fossem discretas e não contínuas.

3.4.4.1 Simulação Histórica: benefícios, problemas e alternativas

Ganem e Baidya (2007) afirmam que utilizar a “estrutura real de caudas da carteira
consolidada” ameniza um dos problemas do modelo paramétrico, pois, segundo Mollica
(1999), é possível captar características especificas da série como excesso de curtose e outras
assimetrias. Contudo, ressaltam a importância da escolha do tamanho da amostra para o
modelo histórico:
Janelas muito longas tendem a gerar uma inércia grande na dinâmica de VaR, além de
eventualmente incorporarem contextos de mercado distantes da realidade corrente.
Janelas curtas podem gerar descontinuidades de resultados indesejadas. Além disso,
consolidar ativos com histórias passadas diversas em uma mesma janela pode tornar o
modelo pouco coerente (GANEM; BAIDYA, 2007, p. 8-9).

Para Souza (2003), apesar de este método ser robusto para caudas pesadas, ele utiliza-
se da hipótese de que os retornos são independentes e identicamente distribuídos. Deste
modo, é necessário que a distribuição permaneça estável ao longo do tempo.

Ainda segundo este autor, a simulação histórica possui uma “elevada variância das
estatísticas de ordem, principalmente nos extremos” (SOUZA, 2003, p.5). Sugere então, a
utilização do estimador de Bootsrap8, visando obter estatísticas de ordem de melhor
qualidade, principalmente para amostras pequenas.

De acordo com Silva et al (2010), o método não consegue captar variações na


volatilidade, pois “atribui pesos iguais a todas as observações anteriores” (SILVA et al, 2010,
p.23).

Conforme Barbedo; Araújo e Lemgruber (2004), a violação da suposição de que os


retornos são independentes e identicamente distribuídos é a principal crítica aos modelos
históricos, “evidenciada pela existência de aglomerados de volatilidade nas séries financeiras,
que levam a uma inconsistência na estimativa do valor em risco”. Como solução, os mesmos
autores incorporaram a volatilidade ao modelo histórico, no caso específico para o cálculo do
valor em risco de opções sobre ações, ou seja, em ativos não-lineares.

Para Danielsson e Vries (1997 apud MOLLICA, 1999), a simulação histórica é eficaz
para estimar retornos em intervalos ao redor da média, onde se concentram os dados
empíricos. Para as caudas, local de interesse do VaR, em virtude da característica discreta dos
retornos extremos, as estimativas não seriam robustas, podendo gerar altas variabilidades nos
números encontrados ao longo do tempo.

Para Machry (2003), no entanto, o mais grave é que a simulação histórica será mais
lenta que os métodos analíticos para tratar de modificações estruturais.

8
De acordo com Souza (2003), a técnica que consiste em retirar amostras a partir de dados históricos com
reposição, de modo a manter constante o tamanho do conjunto de dados.
3.4.4.2 Classificação com base no peso da observação na amostra

Chun (2007) classifica as simulações históricas em: pesos fixos, antitética com pesos
fixos e exponencial. A simulação pesos fixos é a tradicional, ou seja, aquela em que cada
retorno histórico tem o mesmo peso na amostra.

A simulação histórica antitética com pesos fixos visa diminuir os efeitos de tendências
que os retornos possam ter na carteira. Para tanto, é imposta uma simetria na distribuição
através da inclusão do valor do retorno e do seu oposto, dobrando o número de observações
para o cálculo do percentil atrelado ao VaR.

Visando contornar o problema da igualdade entre os pesos dos retornos, atribui-se


pesos diferentes, valorizando os retornos recentes e minimizando a participação dos retornos
mais antigos. Este método compreende a simulação histórica exponencial.

3.4.4.3 Comparação com outros modelos

Os trabalhos de Danielsson e Vries; e Kupiec (1997; 1995 apud MOLLICA, 1999)


encontraram resultados que apontam uma inferioridade do modelo histórico frente ao delta-
normal. Entretanto, as pesquisas de Mahoney; Jackson et al (1996; 1997 apud MOLLICA,
1999) indicam a inversão, ou seja, a superioridade do modelo histórico. Deste modo, Mollica
(1999) não chega a uma conclusão sobre a robustez do método, alegando que sua eficiência é
uma questão empírica.

3.4.5 Simulação de Monte-Carlo

Em anos anteriores, devido ao custo computacional de implantação e processamento


elevados, esta metodologia somente era empregada quando as abordagens tradicionais não
eram apropriadas. Por exemplo, “em carteiras com alto grau de não linearidade no
comportamento de seus ativos (como carteiras de opções)” (GANEM; BAIDYA, 2007, p.9).

Atualmente, como destacado em Kimura et al (2008), com todo o desenvolvimento


das ferramentas de tecnologia da informação, tantos nos aspectos de hardware quanto nos de
software, a simulação de Monte-Carlo passou a ser incorporada em pacotes estatísticos com
desempenho satisfatório, levando ao aumento de sua utilização em diversos campos do
conhecimento, entre eles, nas simulações voltadas ao cálculo do VaR.

O que incorpora consistência a Simulação de Monte Carlo é o fato de que, dado o


volume de simulações, esta possibilita “a reprecificação total dos ativos, permitindo capturar
toda a complexidade de suas estruturas” (GANEM; BAIDYA, 2007, p.9).

Machry (2003) destaca que na Simulação de Monte Carlo, a amplitude de variações


possíveis para os valores das variáveis financeiras é tão significante que todas as correlações
possíveis são captadas.

“Este processo constitui-se numa função com um componente de função estocástica,


baseados em dados de uma série histórica” (LIMA, 2010, p. 28). Entretanto, ainda segundo
este autor, a modelagem do processo estocástico necessita ser construída com hipóteses
robustas, caso contrário, o VaR pode não representar bem a medida de risco.

Nas abordagens mais simples da Simulação de Monte-Carlo, o processo consiste em,


partindo de um modelo determinado, gerar aleatoriamente milhares de cenários
probabilísticos e reavaliar a situação da carteira em cada um deles. A partir desta nova
distribuição simulada de retornos, segundo Caselato (2009), toma-se o percentil de como
sendo o VaR.

De acordo com Jorion (2003), é sem dúvida a mais abrangente metodologia de


estimação de risco de mercado. “Ela captura grande quantidade de riscos, inclusive os não
lineares, os de volatilidade e, até mesmo, os de modelo, podendo incorporar a variação
temporal, caudas grossas e cenários extremos” (JORION, 2003, p.207).

Para Duarte Jr. (1996) é exatamente este número elevado de possibilidades que
confere aderência ao método. Ou seja, o valor médio encontrado para o retorno, a partir de
cenários definidos pela hipótese probabilística, é teoricamente o valor correto de interesse.

Entretanto, mesmo nos dias atuais, para grandes carteiras, os atributos computacionais
ainda podem ser uma barreira dado o elevado número de simulações necessárias para
abranger os cenários probabilísticos possíveis em carteiras com mais de mil ativos. Conforme
Jorion (2003), para mil trajetórias, numa carteira com mil ativos, será gerado, no mínimo, um
milhão de avaliações.
3.4.6 VaR Auto-Regressivo Condicional por Regressão Quantílica

Engle e Manganelli (2004 apud LIMA, 2010) desenvolveram um modelo que não
necessita de hipóteses paramétricas para a distribuição dos dados para o cálculo do VaR,
podendo ser aplicado em distribuições assimétricas com caudas pesadas. Para estes autores:
“como a volatilidade dos retornos dos ativos financeiros possuem algum comportamento
auto-regressivo, o VaR, que é diretamente afetado pela volatilidade, também possui um
comportamento auto-regressivo em sua série temporal” (LIMA, 2010 p. 29).

Esta metodologia pode ser aplicada utilizando-se três modelos: Valor Absoluto
Sintético; Inclinação Assimétrica; e GARCH(1,1) Indireto. De forma geral, no modelo auto-
regressivo condicional por regressão quantílica, o VaR é calculado de acordo com Engle e
Manganelli (2004 apud LIMA , 2010) pela seguinte fórmula:

(4)

Onde:
(β0, β1, γj) são parâmetros desconhecidos a serem estimados; e
xt representa o vetor de tempo t das variáveis observadas.

Para que o modelo possa ser aplicado, faz-se necessário a existência de uma base de
dados contendo uma série temporal de valores de VaR anteriormente calculados.

3.4.7 Modelos específicos para renda fixa

As carteiras compostas por títulos de renda fixa são afetadas pelas variações das taxas
de juros do mercado. Segundo Stigum e Robinson (1996 apud VEIGA, 2002) a associação ao
risco surge por causa da imprevisibilidade das taxas de juros e por fatores que modelam a
forma da curva de juros.

As metodologias tratadas neste estudo para a estimação do VaR em carteiras


específicas de renda fixa incorporam: o conceito de duration como medida de sensibilidade
dos ativos à mudanças na taxa de juros, e a decomposição dos movimentos da curva de juros
em dois fatores (movimento paralelo e rotação).

3.4.7.1 Preparação da carteira para aplicação do VaR

Para Caselato (2009), uma carteira de renda fixa sujeita ao cálculo do VaR deve ter
seu fluxo de caixa determinado, marcado a mercado e com os vértices mapeados.

Vicente (2010) defende que a avaliação a mercado é imprescindível para a atividade


de mensuração do risco. Segundo este autor, de nada adianta calcular o VaR sobre carteiras
que não estejam devidamente avaliadas a mercado. As estimativas estariam equivocadas.

3.4.7.2 Utilizando a duration: o modelo delta-gama-normal

A partir da evolução dos estudos sobre a duration foi possível demonstrar que ela,
segundo Ferreira (2004), é uma medida de sensibilidade de primeira ordem de um ativo ou
carteira em relação à taxa de juros. Esta constatação levou à sua utilização nas metodologias
de estimação do VaR .

Varga (2002) propõe a utilização de um modelo paramétrico para o cálculo do VaR de


Títulos de Renda Fixa prefixados e indexados. A ideia básica deste autor consiste em
aproximar “a distribuição do valor da carteira pela distribuição da variação das taxas de juros
e da duração da carteira”, utilizando taxas de juros contínuas ao invés de discretas, em
conformidade com a circular nº. 2.972 do Banco Central9, que trata do modelo padrão de risco
de juros prefixados no Brasil. Segundo o autor, “com esse procedimento a aproximação da
volatilidade do preço pela volatilidade da taxa fica mais simples” (VARGA, 2002, p.3).

Para o cálculo da volatilidade da carteira, Varga (2002) propõe a substituição do


portifolio VaR, que necessita do cálculo da variância e da covariância entre os títulos da
carteira, pela utilização do conceito de duration VaR, onde

supõe que a correlação entre a variação das taxas é igual a 1 e a volatilidade de todas
as taxas é a mesma. Essa simplificação se justifica se os movimentos da Estrutura a
Termo (ET) das taxas de juros forem paralelos (VARGA, 2002, p.5).

9
Documento normativo revogado pela Circular nº. 3.361, de 12/09/2207 do Banco Central do Brasil. Os
modelos aplicados a este trabalho estão em conformidade com a Circular nº. 3.361.
No caso da carteira de títulos indexados, o autor sugere duas abordagens para o
cálculo do VaR. A primeira é tratar cada indexador de um título da carteira como uma “outra
moeda”. O passo seguinte consiste em calcular a matriz de variância-covariância dessas
“moedas”. A segunda é converter os títulos indexados em papéis prefixados, tratando a
carteira como prefixada. Contudo, o próprio Varga (2002) admite que esta última abordagem
“tem o inconveniente de precisar de taxas de conversão entre os diferentes ativos que
dificilmente estarão disponíveis”, o que o leva a optar pela primeira.

Veiga (2002) afirma que se pode relacionar a duration da carteira ao cálculo do VaR,
uma vez que a duration modificada10 é uma medida de sensibilidade à taxa de juros. Contudo,
ressalta que esta adaptação é válida somente para pequenas variações na taxa de juros,
oriundas, tal qual em Varga (2002), de movimentos paralelos das curvas.

Segundo Lima (2010), o que explica a incorporação da duration modificada ao cálculo


do VaR é o fato dela representar a relação matemática entre o valor da carteira, o número de
períodos e a taxa de juros. Além disso, na visão do autor, este método apresenta-se como
prático, de rápida implementação e dispensa grandes quantidades de dados de séries
históricas, desde que é claro, se conheça a volatilidade da carteira.

3.4.7.2.1 Limitações do modelo delta-gama-normal

3.4.7.2.1.1 Movimento paralelo da curva de juros

Haugen (1997 apud PAIVA e SABOIA, 2007) alerta que a duration somente deve ser
aplicada com confiança no cálculo do VaR quando ocorrerem pequenas variações nas taxas de
juros. Segundo Fabozzi (1997 apud VEIGA, 2002) esta limitação é devida ao fato da duration
ser uma aproximação linear ao movimento da curva de juros. Para tanto, é necessário partir
da premissa que a estrutura das taxas é plana e também que os deslocamentos na curva de
juros são paralelos.

Ademais, como ressalta Fabozzi (1997 apud VEIGA, 2002), o problema da aplicação
do conceito de duration ao VaR é que a suposição de que os yields11 para todas as

10
Divisão da duration de Macaulay por (1+ i), onde i é a taxa de juros.
11
De acordo com Vicente (2010), yield é o rendimento efetivo de um título. Se o título for levado até o
vencimento (matutrity) temos o termo Yield-to-maturity, ou rendimento efetivo do título até o vencimento, que
equivale à taxa interna de retorno de um título.
maturidades se alteram igualmente, também conhecida como a suposição do movimento
paralelo da curva de juros, não é a regra.

3.4.7.2.1.2 Necessidade do mapeamento como alternativa à matriz de covariância

A determinação da matriz de variância-covariância necessita, conforme ressaltam


Arcoverde (2000) e Mollica (1999), da manipulação de um elevado número de volatilidades e
correlações, o que torna muito trabalhoso o cálculo da matriz. Segundo Mollica (1999), a
solução implementada pelo RiskMetrics, denominada estrutura de mapeamento, consiste em
“eleger um conjunto de ativos referência para os quais as posições de todos os outros ativos é
mapeada”. Logo, em se tratando de ativos de renda fixa, os fluxos de caixa precisam ser
mapeados. Arcoverde (2000), observa que:

como o fluxo de caixa estará situado, necessariamente, entre dois vértices adjacentes,
“mapeá-lo” significa transformar o fluxo original em dois fluxos, um em cada vértice
e a carteira original, composta de um número qualquer de fluxos, com diversos
vencimentos, numa carteira padronizada, com fluxos em um número fixo de vértices
(ARCOVERDE, 2000, p.1).

Desse modo, para o cálculo do VaR de uma carteira exclusivamente formada por
títulos de renda fixa será necessário mapeá-los.

Existem várias formas de se mapear os títulos de uma carteira. Segundo Vicente


(2010), “o mapeamento consiste em redistribuir os cupons e o principal do título nos vértices
imediatamente superior e inferior ao vencimento dos mesmos”.

Mollica (1999), por exemplo, utiliza a metodologia de mapeamento popularizada no


documento técnico do Riskmetrics. No caso específico de ativos de renda fixa encontram-se
os prazos pré-estabelecidos, que são os vértices fixos da curva de juros. Calculam-se suas
volatilidades e correlações. Os demais ativos com prazos diferentes dos referenciais são
“mapeados” para os vértices equivalentes. Desta forma, a posição de um ativo com uma
maturidade qualquer é convertida em posição nos prazos de referência. “O princípio adotado
para o cálculo é que a posição mapeada deve ter o mesmo valor de mercado e a mesma
volatilidade da posição original” (MOLLICA, 1999, p. 16).

Já a pesquisa de Arcoverde (2000) apresenta duas formas de mapeamento: a primeira,


o mapeamento Riskmetrics tradicional, e a segunda, denominada de mapeamento linear, foi
considerada, por este autor, a mais indicada, por ser mais simples e superar os resultados do
modelo tradicional. No mapeamento linear os ativos são distribuídos pelos vértices com base
na diferença proporcional do número de dias úteis entre o prazo original e o vértice inferior e
superior.

3.4.7.3 Modelo delta-gama-normal com expansão de Taylor

Para diminuir a tendência de subestimação do VaR calculado no modelo delta-gama-


normal, Paiva e Savoia (2007); e Lima (2010) propõem uma aproximação pela expansão de
Taylor, utilizando a segunda derivada do valor da carteira, ou seja, a introdução do efeito de
segunda ordem. “Nos títulos de renda fixa, a segunda derivada é conhecida como
convexidade” (LIMA, 2010, p. 26).

Para Veiga (2002), uma vez que a duration não é “capaz de descrever
satisfatoriamente a variação no preço de um título para grandes mudanças nas taxas de juros”,
utilizar a convexidade é refinar o cálculo da sensibilidade da variação do preço de um título à
variação nos juros. Para o autor, quanto maior for o patamar de variação dos juros mais
importante torna-se utilizar a convexidade em lugar da duration.

A aproximação pela convexidade é necessária, segundo Fabozzi e Modigliani (1992,


apud PAIVA e SAVOIA, 2007) porque “o efeito da variação da taxa de juros sobre o preço
de um título de renda fixa não é linear, necessitando da correção de segunda ordem” (PAIVA
e SAVOIA, 2007, p. 3).

3.4.7.4 Modelo de dois fatores

Outra abordagem alternativa ao aumento geométrico da matriz de variância-


covariância propõe-se a encontrar um caminho mais simples ao Var paramétrico.

A partir da metodologia de cálculo do VaR desenvolvida por Niffikeer et al (2000)


para carteiras de investimento compostas por swaps de taxas de juros e moedas, os quais
usam o método de decomposição da curva de juros apresentada por Litterman e Scheinkman
(1988), Veiga (2002) modifica a modelagem desenvolvida para o cálculo do valor em risco de
uma carteira de swaps adaptando-a para calcular o VaR de uma carteira de renda fixa.
O modelo de dois fatores desenvolvido por Veiga (2002) tenta captar, por intermédio
de regressões lineares das variações observadas nas curvas de juros, o movimento paralelo e o
de rotação da curva.

Uma vez que as rentabilidades dos títulos de renda fixa podem ser descritas por suas
curvas de juros, a alteração nestas curvas modifica o valor presente da carteira. O estudo de
Litterman e Scheinkman (1988) com base na curva de títulos da dívida norte-americana
apontam que o deslocamento paralelo e a rotação da curva são dois fatores que explicam cerca
de 97% da variabilidade da curva.

Niffikeer et al (2000) partem do pressuposto que as mudanças nas curvas de juros


entre o período t e o período t+1 proporcionam a variação nos retornos dos swaps. Por
intermédio de uma transformação linear da referência tempo, a variação dos retornos passa a
ser explicada por intermédio de regressões lineares cujos componentes de paralelismo e de
rotação serão os dois fatores que substituirão os fatores de risco no modelo tradicional do
cálculo do VaR.

Veiga (2002) adapta a metodologia para uma carteira de renda fixa. Para este autor, o
fator de risco de uma carteira de renda fixa não será somente a variação nos retornos e sim o
quociente entre a variação dos retornos e 1+ r*, onde r* é a taxa média ao período para os
títulos de mesmo prazo de vencimento.

Após algumas substituições e simplificações no modelo original, Veiga (2002)


apresenta a fórmula do cálculo do VaR com base em dois fatores, conforme a seguir:

(5)

Onde:
é o quantil da normal padrão (Z 95% = 1,65 e Z 99% = 2,33);
var (p) é a variância do coeficiente de paralelismo da regressão;
var (b) é a variância do coeficiente de rotação da regressão;
N é o número de ativos da carteira;
i* é o prazo em que há rotação;
VP é o valor presente; e
r* é a taxa média ao período para os títulos de mesmo prazo de vencimento.

3.5 Backtesting

Segundo Silva (2010), Backtesting é um procedimento estatístico de avaliação que se


utiliza de dados reais, coletados posteriormente à aplicação do modelo, para aferição sobre
sua adequabilidade.

De acordo com Machry (2003), “é um arcabouço estatístico formal que consiste em


verificar se as perdas reais estão alinhadas com as perdas projetadas”. Quando aplicado ao
VaR, deve-se avaliar se a estimativa de perda máxima possui aderência à carteira e ao
comportamento do mercado:

Trata-se de se estimar um VaR para o nível de significância desejado, e verificar


quantas vezes ele é superado fora da amostra. Quanto mais próxima for a freqüência
de superação da probabilidade efetiva para a qual o VaR for estimado, melhor é o
modelo. Contudo, o comportamento em geral observado nas metodologias tradicionais
é o de que o VaR é superado mais vezes, quanto mais próximo se estiver ao extremo
da distribuição (menores probabilidades) (SILVA e SOUZA, 1999, p.14).

Observa-se, então, que é necessário um elevado número de observações para conferir


credibilidade estatística ao teste. Silva et al (2010) sugere um número entre cem e mil
comparações.

Mas, de acordo com Lima (2010), para que o backtesting seja válido a carteira
analisada deve permanecer constante no horizonte de tempo de previsão.

Mollica (1999) alerta que são poucos os métodos que avaliam previsões de intervalos
para uma variável, como o caso do VaR de um portfólio, pois este “nada mais é do que o
limite de um intervalo de confiança que informa que perdas acima do VaR, somente ocorrem
com uma probabilidade 1-p, sendo p o nível de confiança”.

Kupiec (1995 apud BARBEDO; ARAÚJO e LEMGRUBER; e MOLLICA, 2004;


2004; e 1999); Crnkovic e Crachman (1996 apud MOLLICA, 1999) e ainda Christoffersen
(1998) e Lopez (1998) são alguns dos autores que desenvolveram pesquisas sobre métodos
para avaliação de previsões de intervalos de confiança.
O modelo de Kupiec (1995 apud LIMA, 2010) é conhecido como Modelo de
Cobertura Incondicional e foi a técnica pioneira na avaliação de modelos de VaR. Consiste
em avaliar a frequência em que ocorrem as violações, e se estas estão em níveis aceitáveis. Os
críticos deste modelo argumentam que ele tem uma “grande probabilidade de não rejeitar um
modelo de VaR que não seja adequado para um determinado portfólio (Erro tipo II)” (LIMA,
2010, p.37).

O modelo de Christoffersen (1998) é conhecido como Modelo de Cobertura


Condicional. Este destaca os modelos de VaR que além de apresentarem grandes quantidades
de violações, demonstram violações em sequência, indicando a possibilidade de que um
evento específico possa causar as exceções, o que segundo Jorion (2003) torna este modelo
interessante para períodos de stress.

Com exceção do teste de Lopez, que adota como critério de desempenho a


minimização de uma função de perda, os demais, baseiam-se em critérios estatísticos.
Entretanto, segundo Mollica (1999), testes baseados em critérios estatísticos possuem baixo
poder para amostras inferiores a mil observações, levando-o a desconsiderá-los em sua
pesquisa, optando pela metodologia baseada na função de perda de Lopez.

A Função de Perda, desenvolvida por Lopez (1998), avalia a magnitude das violações.
Não sendo um teste estatístico, a função de perda compara diferentes modelos de estimação
do VaR, elegendo como melhor aquele que possuir o menor valor. “Portanto, nem sempre um
modelo de previsão do VaR com maior quantidade de violações será necessariamente o pior
modelo” (LIMA, 2010, p. 39).

Lima (2010) afirma que o Comitê da Basiléia define como metodologia para o
backtesting que o número de violações de um VaR com horizonte de um dia, não deve
ultrapassar 1% dos casos. Também são definidos que as exceções devem ser mensuradas
usando dados dos últimos doze meses (250 observações em média). Definem-se, então, três
zonas: a zona verde (zero a quatro violações), modelo sem problemas12; a zona amarela (cinco
a nove), modelo posto em dúvida; e a zona vermelha (dez ou mais), modelo com problema.

12
“Basicamente, um VaR calculado com 99% de probabilidade e horizonte de um dia, deveria produzir um valor
esperado de 2,5 violações quando utilizado uma base de dados de 250 dias” (LIMA, 2010, p.55). Contudo,
segundo Jorion (2003) o comitê da Basiléia aceita até quatro exceções na zona verde.
Com base no trabalho de Gaglianone (2007 apud LIMA, 2010), Lima (2010) utiliza
como backtesting um indicador de eficiência, calculado por intermédio de uma regressão
quantílica, que avalia a qualidade de toda distribuição de probabilidade do VaR, em
comparação com a distribuição dos retornos efetivamente observados. Destaca-se que não é
necessário conhecer o modelo ou qualquer hipótese adicional sobre a distribuição de retorno e
VaR para calcular este indicador.

3.6 Outras aplicações do VaR

Varga (2002) defende a ideia de que o VaR deve ser aplicado como instrumento para
escolha de investimentos. Segundo este autor, pelo cálculo do VaR, pode-se verificar se um
derivativo aumenta ou reduz o risco de uma carteira, ou ainda estabelecer um limite para
posições atrelado ao valor do VaR.

Para Jorion (2003) são as ferramentas de decomposição do VaR: Marginal,


Incremental e Componente, que podem auxiliar o processo de administração do risco. Machry
(2003) observa que a decomposição do Var pode mostrar onde o risco está sendo originado.

Desta forma, ainda segundo Jorin (2003), o VaR Marginal mediria a contribuição para
o risco do acréscimo de uma unidade monetária a mais em um componente da carteira. O Var
Incremental avaliaria o impacto de uma mudança de posição na carteira e o VaR Componente,
sendo uma partição do VaR da carteira, indicaria o quanto um ativo agrega ao VaR.

3.7 Da literatura à prática

A fim de subsidiar os parâmetros para a escolha da metodologia de VaR a ser utilizada


no Fundo Naval, este capítulo procurou sintetizar, na ampla literatura disponível sobre o
assunto, os aspectos mais importantes, incluindo suposições e limitações teóricas que
balizarão a aplicabilidade prática das teorias discutidas.
Desse modo, a escolha dependerá, entre outros aspectos, da forma como se apresenta a
carteira, da composição dos seus retornos diários, da complexidade envolvida no método, vis
a vis, os resultados alcançados, das suposições aceitas pelo gestor para os retornos da carteira
e do balanço entre as limitações e a confiabilidade nas estimativas do VaR.
A Tabela 3 resume em termos teóricos os modelos de VaR a serem aplicados.
Tabela 3 – Resumo teórico comparativo das metodologias de VaR
Classificação da
Metodologia Característica
Metodologia
A distribuição passada explica o
Simulação Histórica pesos fixos comportamento futuro. Cada retorno
tem o mesmo peso na amostra.

Atribui-se pesos diferentes, valorizando


Simulação Histórica com suavização os retornos recentes e diminuindo a
participação dos retornos mais antigos

Geração de milhares de cenários


probabilísticos. O valor médio
Não Paramétricas encontrado para o retorno, dado o nível
Simulação de Monte Carlo de significância, a partir de cenários
definidos pela hipótese probabilística, é
o valor de interesse.

A volatilidade dos retornos dos ativos


possui algum comportamento auto-
Auto-Regressiva Condicional por regressivo, o VaR, que é diretamente
Regressão Quantílica afetado pela volatilidade, também
possui um comportamento auto-
regressivo em sua série temporal

Com base na suposição de normalidade


dos retornos, a distribuição é
Delta-normal caracterizada pela média e pelo desvio
padrão.
Paramétricas
A média e o desvio padrão são
Delta-normal com suavização calculados atribuindo peso maior aos
retornos mais recentes.

Aproximar a distribuição do valor da


carteira pela distribuição da variação
Delta-gama-normal das taxas de juros e da duration da
carteira.

O efeito da variação da taxa de juros


Paramétricas Delta-gama-normal c/Taylor
sobre o preço de um título não é linear,
necessitando da correção de segunda
específicas para ordem, ou seja, da convexidade.
renda fixa
A variação dos retornos é explicada por
intermédio de regressões lineares cujos
componentes de paralelismo e de
Dois fatores rotação da curva de juros são os dois
fatores que substituem os fatores de
risco no modelo tradicional.
Elaboração: autor
4 METODOLOGIA

Este capítulo define a metodologia utilizada para a abordagem ao problema de


pesquisa. Parte da composição da carteira original do fundo exclusivo, para, com base nos
títulos que a compõem, redefinir a carteira de trabalho. Em seguida, os retornos diários são
analisados de forma estatística, a fim de colher características peculiares que imponham
limitações ou adéquem-se às simplificações propostas pelos modelos.

4.1 Definição da carteira

Os gestores dos fundos, atentos à dinâmica do mercado costumam alterar a


composição de suas carteiras no intuito de aproveitar novas oportunidades e proteger-se de
fatores de risco. Contudo, ao modificar a carteira, o novo VaR calculado não representará
mais o risco da carteira anterior, pois esta será composta por uma nova distribuição no peso
ou no tipo dos ativos.

Vários autores defendem a ideia de que a carteira permaneça constante durante o


cálculo do VaR. Dowd (1998 apud MACHRY, 2003), por exemplo, afirma que a hipótese
básica do cálculo do VaR é que as exposições aos fatores de risco são constantes, o que se
altera caso haja um rebalanceamento da carteira.

Segundo Vicente (2010), o risco calculado pelo VaR possui relação direta com o valor
da carteira. Crouhy (2004 apud SILVA et al, 2010) é mais enfático, para ele o VaR “é uma
medida de risco que estima o valor financeiro da perda máxima de uma carteira para um dado
nível de confiança e um período de tempo no qual não haja mudança na carteira” (SILVA et
al, 2010, p. 21).

Para Lima (2010), a hipótese de que a carteira permaneça constante no horizonte de


tempo de previsão é fundamental para que não ocorram distorções no resultado do backtesting
dos modelos de VaR aplicados. Ademais, caso fossem modificados os ativos de uma carteira
no decorrer do cálculo do VaR poderiam ocorrer problemas de descontinuidade e alteração
das informações sobre os retornos diários dos ativos, o que implicaria diretamente na
volatilidade da carteira.
Desse modo, o dinamismo na gestão dos fundos não é benéfico quando se realiza um
estudo como este, no qual são necessárias que sejam mantidas algumas condições sem
alterações, a fim de possibilitar a comparação e a análise.

Assim, foi necessário encontrar, entre as carteiras dos fundos exclusivos junto ao
Banco do Brasil e à Caixa Econômica Federal, um intervalo de tempo razoável para a
montagem de uma série mínima de dados, sem que houvesse alteração na composição da
carteira. Desta forma, chegou-se à composição da carteira do fundo Acanthus, que
permaneceu inalterada por um maior número de dias úteis, entre 03 de janeiro a 14 de agosto
de 2012.

4.2 Títulos que compõem a carteira

A carteira do fundo Acanthus foi apresentada no capítulo 2 deste trabalho. Em sua


composição, encontramos os seguintes papéis de renda fixa:

• Letras do Tesouro Nacional (LTN): título público prefixado, com valor nominal de mil
reais, sem pagamento de cupons;
• Letras Financeiras do Tesouro (LFT): título público pós-fixado, indexado à taxa Selic,
com valor nominal na data-base de mil reais, prazo de vencimento variável, sem
pagamento de cupons;
• Letras Financeiras (LF): títulos privados com prazo de vencimento mínimo de dois
anos, indexados à taxa do Certificado de Depósito Interbancário (CDI);
• Depósitos a Prazo com Garantia Especial (DPGE): títulos privados, indexados à taxa
do CDI e garantidos pelo Fundo Garantidor de Crédito (FGC) até o limite de vinte
milhões de reais, já considerados neste montante o valor dos juros.

4.3 Carteira adaptada para o trabalho

Visando a atender ao objetivo da pesquisa, é necessário mensurar por diversas


metodologias o Value at Risk da carteira. Para isto, torna-se relevante calcular o risco de
mercado dos papéis que compõem o portfólio, tomando por base as volatilidades sofridas
diariamente.
Na carteira original do fundo Acanthus, encontram-se papéis marcados a mercado e
papéis marcados na curva13. Os papéis marcados a mercado representam 88,64% da carteira
original e os papéis marcados na curva 11,36%. Considerando que apenas os títulos marcados
a mercado estão sujeitos a ajustes diários decorrentes das volatilidades, foram descartados na
formação da carteira adaptada os papéis que se encontravam precificados na curva.

Deste modo, este estudo foi desenvolvido a partir da criação de uma nova carteira,
denominada ALFA, composta por papéis pós-fixados marcados a mercado originários da
carteira do fundo exclusivo Acanthus, conforme descrito na Tabela 4.

Tabela 4: Composição da carteira ALFA em 03/01/12.


Valor
Nome TIPO Emissor Vencimento
(R$ milhões) Part. carteira
LFT 210100 - TRBC TP Tesouro Nacional 07/09/2017 2,33 2%
LFT 210100 - TRBC TP Tesouro Nacional 01/03/2018 35,33 28%
LF N LF0010000MX - 105% CDI Flut LF BRADESCO 27/08/2012 10,54 8%
LF N LF0010000MU - 106.5% CDI Flut LF BNP 27/08/2012 10,58 8%
DPGE N DPGE10001RV - 108% CDI Flut DPGE FIBRA 15/08/2012 10,60 8%
LF N LF00110012O - 108% CDI Flut LF SANTANDER 18/02/2013 35,77 28%
LF N LF00110012M - 106.5% CDI Flut LF BRADESCO 18/02/2013 21,17 17%

Fonte: Caixa Econômica Federal / Diretoria de Finanças da Marinha (DFM)


Elaboração: autor

4.4 Análise preliminar dos dados

A Seção do Fundo Naval da DFM recebe dos bancos detentores dos fundos exclusivos
informações diárias sobre o comportamento de cada papel e da carteira como um todo. Desta
forma, rotineiramente, é alimentada uma base de dados com os valores diários dos papéis,
desde a criação dos dois fundos exclusivos.

A partir desta base de dados, foram coletados os valores diários dos papéis que
compõem a carteira ALFA, entre os dias 03 de janeiro e 14 de agosto de 2008, perfazendo um

13
De acordo com Moraes; Araújo (2010), títulos marcados a mercado são papéis precificados pela taxa praticada
pelo mercado secundário, mediante a contabilização de ajustes diários e a possibilidade de resgate a qualquer
momento. Para Vicente (2010), títulos marcados na curva são papéis precificados pela taxa utilizada no
momento da negociação e que serão mantidos obrigatoriamente até o vencimento.
total, por ativo, de cento e cinquenta e três observações, dispostas em planilha eletrônica MS
Excel@14.

Em seguida, foram calculados os retornos aritméticos percentuais de cada papel e da


carteira ALFA, conforme fórmula a seguir, num total de cento e cinquenta e duas
observações, por ativo:

(6)

Onde:
rt é o retorno aritmético no dia t;
Vt é o valor da carteira ou do papel no dia t; e
Vt-1 é o valor da carteira ou do papel no dia t-1.

Para efeito de mensuração dos retornos diários da carteira foram desconsiderados os


custos operacionais e administrativos.

Com a distribuição dos retornos de cada papel que compõem a carteira ALFA e,
utilizando-se as funções DESVPAD e MEDIA do MS Excel@, foram calculados os desvios
padrões e os retornos médios diários dos papéis:

Tabela 5: Desvio padrão e retornos médios diários dos papéis da carteira ALFA.

Característica do papel Desvio Padrão Retornos Médios (em base points)15


LFT/2017 0,126312% 3,2602 bp
FT/2018 0,127257% 2,8248 bp
LF (Bradesco) 0,111528% 3,3898 bp
LF (BNP) 0,119156% 3,3814 bp
DPGE (Fibra) 0,130612% 3,4104 bp
LF (Santander) 108% CDI 0,129393% 3,3794 bp
LF (Bradesco) 106,5% CDI 0,131584% 3,4530 bp
Carteira ALFA 0,124356% 3,2382 bp
Elaboração: autor

14
Tendo em vista que um dos objetivos deste trabalho é implantar a metodologia de cálculo do VaR escolhida,
na Seção de Análise de Risco do Fundo Naval da DFM, privilegiar-se-á o uso da planilha eletrônica MS Excel@
por ser de amplo conhecimento dos militares que posteriormente a utilizarão.
15
100 base points (bp) = 1%
Analisando os números da Tabela 5, percebe-se a proximidade dos valores dos desvios
padrão e dos retornos médios de cada papel componente da carteira ALFA.

Ao verificar a composição da carteira, identificou-se a presença de papéis somente


atrelados à variação da taxa Selic e ao CDI, o que poderia indicar uma forte correlação entre
os retornos dos ativos da carteira, pois, segundo Mollica (1999), a taxa de CDI praticada em
um determinado dia tende a ser igual à expectativa de taxa Selic para o próximo dia.

Verificou-se, então, a possibilidade da existência de correlação entre o retorno dos


ativos.

Utilizando a ferramenta de análise de dados CORRELAÇÃO do MS Excel@,


construiu-se a matriz de correlação entre os papéis da carteira ALFA, evidenciada por meio da
Tabela 6.

Tabela 6: Correlação entre os papéis da carteira ALFA.


LF LF (Santander) LF (Bradesco) 106,5%
LFT/2017 LFT/2018 LF (BNP) DGPE
(Bradesco) 108%CDI CDI
LFT/2017 0,9595 0,9736 0,9520 0,9943 0,9844 0,9586
LFT/2018 0,9595 0,9317 0,9014 0,9481 0,9389 0,9108
LF (Bradesco) 0,9736 0,9317 0,9766 0,9821 0,9825 0,9739
LF (BNP) 0,9520 0,9014 0,9766 0,9548 0,9464 0,9464
DGPE 0,9943 0,9481 0,9821 0,9548 0,9948 0,9728
LF (Santander) 108%
CDI
0,9844 0,9389 0,9825 0,9464 0,9948 0,9793
LF (Bradesco) 106,5%
CDI
0,9586 0,9108 0,9739 0,9464 0,9827 0,9793
Elaboração: autor

Os dados constantes da Tabela 6 confirmam a alta correlação positiva entre os papéis


da carteira. O menor valor para a correlação foi de 0,9014 e o maior de 0,9948 em um
intervalo em que a correlação positiva varia entre zero e um e a negativa entre zero e menos
um.

Diante dessa constatação numérica, admitir-se-á como hipótese, que a correlação entre
os ativos que compõem a carteira ALFA é um. Esta hipótese permite trabalhar a carteira como
se fosse um único ativo, uma vez que os papéis tendem a reagir da mesma forma às alterações
na taxa de juros.

Desse modo, por intermédio das fórmulas constantes na planilha eletrônica MS


Excel@, calculou-se as estatísticas básicas da distribuição dos retornos aritméticos
percentuais da carteira ALFA, chegando aos valores demonstrados na Tabela 7.
Tabela 7: Estatísticas básicas dos retornos aritméticos diários – carteira ALFA
Estatística Valor (em base points)
MÁXIMO 54,4695 bp
MÍNIMO -50,2822 bp
MÉDIA 3,2382 bp
MEDIANA 3,3322 bp
MODA16 2,1561 bp
DESVIO PADRÃO 12,4355 bp
CURTOSE 12,4453505
ASSIMETRIA -0,23767928
Elaboração: autor

Também utilizando as ferramentas do MS Excel@, foram plotados os retornos diários


ao longo do tempo, apresentados na Figura 1.

Figura1: Retornos aritméticos percentuais da carteira ALFA.


Elaboração: autor

Em relação à volatilidade dos dados, analisando a Figura 1, percebe-se que existe um


intervalo em que esta é maior: entre os dias 14 e 15 de janeiro de 2012 até 08 e 09 de
fevereiro de 2012. Após este período, os dados apresentam uma ou outra variação
significativa, porém, de menor intensidade.

Uma das possíveis explicações para a maior volatilidade neste período pode ser
encontrada a partir da análise do momento econômico brasileiro às vésperas da centésima
sexagésima quarta reunião do Comitê de Política Monetária (COPOM), ocorrida em 17 e 18

16
Moda de Czuber.
de janeiro de 2012. Nesta reunião, o comitê decidiu reduzir a taxa Selic em 0,5 pontos
percentuais, passando ao patamar de 10% a.a. Contudo, as apostas e projeções apontavam um
mercado bastante dividido, oscilando entre análises que indicavam a manutenção da taxa
básica de juros e outras que projetavam uma redução de 1,5 pontos percentuais.

Esta variedade de apostas na condução da política monetária, principalmente, quanto à


magnitude dos ajustes, se manteve ao longo do mês e só foi diminuindo à medida que o
Banco Central começou a reforçar o processo de aproximação com o mercado, sinalizando o
gradual alcance do patamar desejado para os juros e o período de reduções necessárias17.

Novamente, utilizando as ferramentas do MS Excel@, foi plotado o histograma da


distribuição dos retornos diários, apresentados na Figura 2. Os valores no eixo x representam
os pontos centrais dos intervalos de classes.

Figura 2: Histograma da distribuição dos retornos aritméticos percentuais da carteira


ALFA em base points.
Elaboração: autor

17
Para verificar às oscilações nas projeções de mercado da taxa Selic no período, pode-se consultar o Relatório
de Mercado da pesquisa FOCUS do Banco Central do Brasil, disponível em http://www.bcb.gov.br/?FOCUS.
Observando as estatísticas básicas e os gráficos, não se pode ser conclusivo em relação
à simetria. Verifica-se, entretanto, uma leve simetria à esquerda que, contudo, não é
corroborada pela relação entre média, mediana e moda.

Quanto à curtose (12,44 contra aproximadamente 3 de uma distribuição normal),


pode-se afirmar que a distribuição é leptocúrtica, por ser mais aguda na parte superior e mais
fechada que a curva normal.

Em relação à média, percebe-se que esta se encontra um pouco acima de zero, que
seria o padrão esperado dos retornos com base em dados de mercado.

A hipótese de aproximação da distribuição dos retornos diários à curva normal foi


rejeitada no teste de aderência usando a distribuição qui-quadrado (χ2) com 99% de confiança.

Para fins teóricos, verifica-se a seguir o comportamento dos dados supondo que os
retornos ocorridos entre os dias 14 e 15 de janeiro de 2012 até 08 e 09 de fevereiro de 2012
fossem tratados como outliers. A Figura 3 apresenta o histograma sem os dados que geraram
a volatilidade percebida no período inicial.

Figura 3: Histograma da distribuição dos retornos aritméticos percentuais da carteira


ALFA em base points, sem o período de maior volatilidade.
Elaboração: autor
A exclusão dos dados mais voláteis modifica sensivelmente o histograma da
distribuição dos retornos diários, mesmo assim, não parece razoável a aproximação à curva
normal.

Cabe ressaltar que os retornos plotados na Figura 1 são todos empíricos, ou seja, a
volatilidade verificada no início do período realmente ocorreu e, em se tratando do cálculo do
VaR, pode tornar a ocorrer com certo grau de probabilidade, impactando nos resultados.
Desse modo, neste estudo, os retornos ocorridos entre os dias 14 e 15 de janeiro de 2012 até
08 e 09 de fevereiro de 2012 não serão tratados com outliers e, integrarão a base de dados
preliminarmente observada.

4.5 Metodologias aplicadas aos dados

Inicialmente, serão aplicadas aos dados metodologias paramétricas de cálculo do VaR.


Iniciando com a metodologia de simulação histórica, em sua forma tradicional. Após, os
dados históricos serão suavizados de forma exponencial e reaplicada a metodologia histórica.
Em seguida, a simulação de Monte-Carlo utilizará a distribuição histórica dos dados como
parâmetro estocástico da distribuição dos números aleatórios.

Respeitando a ordem como foram apresentadas as metodologias no capítulo 3, parte-se


para um conjunto de metodologias paramétricas, onde por hipótese, os retornos possuem
distribuição normal: as metodologias delta-normal e delta-normal com suavização
exponencial.

Antes da aplicação de metodologias específicas para carteiras de renda fixa, adota-se a


metodologia auto-regressiva condicional por intermédio de regressões quantílicas, que
necessita de uma base histórica de VaR anteriormente calculados. Uma vez que inexiste tal
série, o cálculo do VaR pelo método auto-regressivo condicional por regressão quantílica será
aplicado em uma série de VaR gerados pela metodologia da simulação de Monte-Carlo.

Em seguida, voltar-se-á novamente para métodos paramétricos específicos para o VaR


de carteiras de renda fixa, com as metodologias que incorporam a duration e a convexidade
ao cálculo, denominadas pela literatura específica como modelo delta-gama-normal e delta-
gama-normal com expansão de Taylor.
A última metodologia aplicada é a metodologia de dois fatores, que foi
escolhida pelo seu caráter inovador para o problema da correlação dos ativos e da volatilidade
da carteira.
5 RESULTADOS

Este capítulo apresenta os resultados das estimativas de VaR para nove metodologias.
Estas estão divididas entre paramétricas e não-paramétricas, com e sem suavização dos dados,
específicas para carteiras de renda fixa e as clássicas, mais comumente utilizadas pelas
instituições financeiras nacionais, de acordo com as normas do Banco Central do Brasil.

5.1 VaR pela metodologia da Simulação Histórica pesos fixos

Na estimação do VaR pela metodologia da Simulação Histórica com pesos fixos, os


retornos possuem o mesmo peso ao longo da distribuição.

A fim de subsidiar a realização do backtesting dos modelos, os VaR foram calculados


utilizando janelas de tempo que permitissem a comparação com as últimas trinta observações
reais disponíveis, ou seja, o VaR da carteira até o dia 31 de julho de 2012 foi comparado com
o valor real da carteira no dia 01 de agosto de 2012; o VaR da carteira até o dia 01 de agosto
de 2012 foi comparado com o valor real da carteira no dia 02 de agosto de 2012; e assim
sucessivamente.

Por exemplo, o VaR da carteira até o dia 13 de agosto de 2012, foi calculado
utilizando-se a planilha eletrônica do MS Excel@ para ordenar os 151 retornos aritméticos
percentuais do maior para o menor valor.

A fim de estabelecer os retornos equivalentes aos percentis de 99; 97,5; 95; e 90% foi
utilizada a função PERCENTIL do MS Excel@, com a seguinte sintaxe:

PERCENTIL (matriz; k) (7)

Onde:
matriz é o intervalo de dados onde se define a posição relativa; e
k = 1-α (nível de confiança).

A função PERCENTIL retorna o valor da observação equivalente ao percentil


solicitado. No caso da simulação histórica, este valor é o VaR para um determinado nível de
confiança. Deste modo, estando as observações já ordenadas, obteve-se o VaR diário dos
retornos aritméticos percentuais, por nível de confiança, apresentados na Tabela 8.
Tabela 8: VaR – Simulação Histórica pesos fixos

Nível de confiança VaR percentual VaR nominal


99% -0,8904 bp -R$ 11.813,04
97,5% -0,3522 bp -R$ 4.672,68
95% 0,0072 bp R$ 95,52
90% 0,0113 bp R$ 149,92
Elaboração: autor

Os valores da Tabela 8 refletem que o VaR calculado estima para o intervalo de tempo
de um dia: em 1% a chance da carteira perder mais do que R$ 11.813,04; em 2,5% a chance
dela perder mais que R$ 4.672,68; e, em 5% e 10% as chances dela, no mínimo, crescer R$
95,52 ou R$ 149,92 respectivamente, podendo ainda, se desvalorizar.

Tomando como base o que efetivamente ocorreu no dia 14 de agosto de 2008, quando
a carteira teve um retorno positivo de 0,030581%, os VaR’s calculados para qualquer nível de
confiança, não foram violados.

Para fins de backtesting, esta metodologia foi repetida em outras vinte e nove janelas
de tempo consecutivas, a fim de possibilitar a comparação entre o VaR calculado até a data D
e o valor real da carteira no dia D + 1.

Confrontando com as trinta últimas observações reais, os VaR calculados para os


níveis de confiança de 99 e 97,5% não foram violados nenhuma vez. Já o VaR para os níveis
de confiança de 95 e 90% foram violados uma vez cada. No entanto, devido ao pequeno
número de observações não é conclusivo supor que o modelo não esteja bem ajustado, uma
vez que os resultados são possíveis.

5.2 VaR pela metodologia da Simulação Histórica com suavização exponencial

A estimação do VaR pela metodologia da Simulação Histórica com suavização


exponencial consiste em atribuir pesos ao longo da distribuição dos retornos, valorizando os
mais recentes em detrimento dos mais antigos. Mais uma vez, partiu-se dos 151 retornos
aritméticos percentuais já calculados até o dia 13 de agosto de 2012, deixando de fora a última
observação que servirá de comparação ao VaR estimado.

Foram associados pesos, a cada retorno diário, partindo de um coeficiente de


decaimento. Foi utilizado o fator de decaimento padrão do Riskmetrics com λ = 0,94.
Os pesos associados foram:

para a observação mais recente;

para a segunda observação mais recente;

para a terceira observação mais recente; e

para a última observação. (8)

Onde k é o número de observações.

Após associar o peso a cada retorno, estes foram ordenados de forma


decrescente. Deste modo, os VaR para cada nível de confiança são aos valores de retornos
encontrados na posição do percentil correspondente a uma distribuição com 151 observações,
utilizando a função PERCENTIL do MS Excel@, apresentados na Tabela 9.

Tabela 9: VaR – Simulação Histórica com suavização exponencial

Nível de confiança VaR percentual VaR nominal


99% -0,001097 bp -R$ 14,55
97,5% -0,000679 bp -R$ 9,01
95% 0,000005 bp R$ 0,07
90% 0,000010 bp R$ 0,13
Elaboração: autor

Os valores da Tabela 9 refletem que o VaR calculado estima para o intervalo de tempo
de um dia: em 1% a chance da carteira perder mais do que R$ 14,55; em 2,5% a chance dela
perder mais que R$ 9,01; e, em 5% e 10% as chances dela, no mínimo, crescer R$ 0,07 ou R$
0,13 respectivamente, podendo ainda, se desvalorizar.

Em relação ao retorno efetivamente ocorrido no dia seguinte, ou seja, em 14 de agosto


de 2012 (0,030811%), os VaR calculados para qualquer nível de confiança, não foram
violados.

Para fins de backtesting, esta metodologia foi repetida em outras vinte e nove janelas
de tempo consecutivas, a fim de possibilitar a comparação entre o VaR calculado até a data D
e o valor real da carteira no dia D + 1.
Confrontando com as trinta últimas observações reais, os VaR calculados para os
níveis de confiança de 99; 97,5; 95 e 90% foram violados uma vez cada. No entanto, devido
ao pequeno número de observações não é conclusivo supor que o modelo não esteja bem
ajustado, uma vez que os resultados são possíveis.

5.3 VaR pela metodologia da Simulação de Monte Carlo

Na construção da Simulação de Monte Carlo optou-se por não utilizar nenhuma


distribuição de probabilidades conhecida como modelo estocástico para geração dos números
aleatórios. Desta forma, a Simulação de Monte Carlo efetuada nesta pesquisa pode ser
classificada como uma metodologia não-paramétrica de cálculo do VaR.

Abandonados os parâmetros da média e desvio padrão, a distribuição dos retornos


diários foi tratada como uma variável discreta ou empírica, em que cada valor no tempo tem a
mesma probabilidade de ocorrência.

Desse modo, foram gerados números aleatórios na construção de cinquenta cenários,


cada um com mil observações, baseados na distribuição discreta, e com probabilidades iguais
de ocorrência diária, conforme a distribuição real dos retornos.

Os números aleatórios foram gerados por intermédio da utilização do software livre R.


A função <sample> do R combinada com a função vetor <vet;seq> possibilitou a geração de
mil números aleatórios para cada um dos cinquenta cenários probabilísticos, com distribuição
discreta e respeitando o intervalo onde se encontravam na planilha os retornos diários da
carteira ALFA (retornos históricos), associados a uma probabilidade idêntica de ocorrência.

Gerados os cinquenta mil números aleatórios, para cada cenário foram calculados, por
intermédio da função PERCENTIL do MS Excel@, os valores equivalentes aos níveis de
confiança de 99%, 97,5%, 95% e 90%. Para cada nível de confiança foram calculadas a média
dos cinquenta cenários, sendo este valor considerado o VaR, conforme apresentado na Tabela
10.
Tabela 10: VaR – Simulação de Monte Carlo

Nível de confiança VaR percentual VaR nominal


99% -49,1472 bp -R$ 652.041,36
97,5% -23,2846 bp -R$ 308.919,37
95% -3,2865 bp -R$ 43.602,36
90% 1,5491 bp R$ 20.552,08
Elaboração: autor

Os valores da Tabela 10 refletem que o VaR calculado estima para o intervalo de


tempo de um dia: em 1% a chance da carteira perder mais do que R$ 652.041,36; em 2,5% a
chance dela perder mais que R$ 308.919,37; em 5% a chance dela perder mais que R$
43.602,36; e, em 10% a chance dela, no mínimo, crescer R$ 20.552,08, podendo ainda, se
desvalorizar.

Em relação ao retorno efetivamente ocorrido no dia seguinte, ou seja, em 14 de agosto


de 2012 (0,030811%), os VaR calculados para qualquer nível de confiança, não foram
violados.

Para fins de backtesting, esta metodologia foi repetida outras vinte e nove vezes, a fim
de possibilitar a comparação entre o VaR calculado até a data D e o valor real da carteira no
dia D + 1.

Confrontando com as trinta últimas observações reais, os VaR calculados para os


níveis de confiança de 99; 97,5; e 95 não foram violados nenhuma vez. Já o VaR para o nível
de confiança de 90% foi violado uma vez. No entanto, devido ao pequeno número de
observações não é conclusivo supor que o modelo não esteja bem ajustado, uma vez que os
resultados são possíveis.

5.4 VaR pela metodologia delta-normal

No VaR pela metodologia delta-normal, adota-se a hipótese da distribuição normal dos


retornos da carteira.

Desse modo, para a estimativa do VaR necessita-se somente da média e do desvio


padrão da distribuição dos retornos. A planilha eletrônica MS Excel@, por intermédio da
função INV.NORM, possibilita calcular diretamente o ponto que determina sob a curva, a
área correspondente ao nível de significância solicitado, sem utilizar a normal padrão N ~
(0,1) e nem a estatística Z.
Retirou-se da Tabela 7 os valores da média (0,032394%) e do desvio padrão
(0,0012477) dos 151 retornos aritméticos percentuais já calculados.

Na planilha MS Excel@ utilizando-se a função INV.NORM e colocando-se como


parâmetros o nível de confiança, a média da distribuição dos retornos e o desvio padrão. O
VaR apresentado na Tabela 11 será a resposta desta função:

VaR (α%) = INV.NORM (1-α;média; desv.pad) (9)

Desse modo, tem-se:

Tabela 11: VaR – Delta-normal


Nível de confiança VaR percentual VaR nominal
99% -25,7862 bp -R$ 342.108,38
97,5% -21,2149 bp -R$ 281.460,43
95% -17,2833 bp -R$ 229.299,46
90% -12,7504 bp -R$ 169.160,97
Elaboração: autor

Os valores da Tabela 11 refletem que o VaR calculado estima para o intervalo de


tempo de um dia: em 1% a chance da carteira perder mais do que R$ 342.108,38; em 2,5% a
chance dela perder mais que R$ 281.460,43; em 5% a chance dela perder mais que R$
229.299,46; e em 10% a chance dela perder mais que R$ 169.160,97.

Comparando com o retorno observado em 14 de agosto de 2012 (0,030581%), os VaR


calculados, para qualquer nível de confiança, não foram violados.

Para fins de backtesting, esta metodologia foi repetida em outras vinte e nove janelas
de tempo consecutivas, a fim de possibilitar a comparação entre o VaR calculado até a data D
e o valor real da carteira no dia D + 1.

Confrontando com as trinta últimas observações reais, os VaR calculados para os


níveis de confiança de 99; 97,5; 95 e 90% não foram violados nenhuma vez. No entanto,
devido ao pequeno número de observações não é conclusivo supor que o modelo não esteja
bem ajustado, uma vez que os resultados são possíveis.
5.5 VaR pela metodologia delta-normal com suavização exponencial

Na metodologia delta-normal, o desvio padrão é calculado com base em observações


de mesmo peso. Por sua vez, na estimação do VaR pela metodologia delta-normal com
suavização exponencial é calculado o desvio padrão atribuindo peso maior aos retornos mais
recentes.

A média será encontrada por intermédio da seguinte equação:

(10)

e o desvio padrão por:

(11)

Onde:
ri é o retorno no dia i;
λ é o fator de decaimento padrão igual a 0,94; e
n é o número de dias observados.

Utilizando mais uma vez a planilha MS Excel@, calculou-se a média e o desvio


padrão para as 151 observações de retornos aritméticos percentuais.

Média: 0,029657% e desvio padrão: 0,000086.

Utilizando a função do MS Excel@ INV.NORM, com os parâmetros acima,


encontramos os VaR, por nível de confiança, conforme apresentado na Tabela 12.

Tabela 12: VaR – Delta-normal com suavização exponencial

Nível de confiança VaR percentual VaR nominal


99% 0,9728 bp R$ 12.906,25
97,5% 1,2867 bp R$ 17.070,79
95% 1,5566 bp R$ 20.651,58
90% 1,8679 bp R$ 24.781,64
Elaboração: autor

Os valores da Tabela 12 refletem que o VaR calculado estima para o intervalo de


tempo de um dia: em 1% a chance da carteira valorizar menos que R$ 12.906,25; em 2,5% a
chance dela valorizar menos que R$ 17.070,79; em 5% a chance dela valorizar menos que R$
20.651,58; e, em 10% a chance dela valorizar menos que R$ 24.781,64, podendo ainda, se
desvalorizar.

Comparando com o retorno observado em 14 de agosto de 2012 (0,030581%), os VaR


calculados, para qualquer nível de confiança, não foram violados.

Para fins de backtesting, esta metodologia foi repetida em outras vinte e nove janelas
de tempo consecutivas, a fim de possibilitar a comparação entre o VaR calculado até a data D
e o valor real da carteira no dia D + 1.

Confrontando com as trinta últimas observações reais, os VaR calculados para o nível
de confiança de 99% não foi violado nenhuma vez. Já o VaR para os níveis de confiança de
97,5; 95 e 90% foram violados uma vez cada. No entanto, devido ao pequeno número de
observações não é conclusivo supor que o modelo não esteja bem ajustado, uma vez que os
resultados são possíveis.

Ao se optar pela utilização dos valores dos retornos geométricos18 ao invés dos
aritméticos, pela manutenção da hipótese da distribuição normal dos retornos, bem como pela
suavização da distribuição de forma exponencial, estará se trabalhando conforme a
metodologia Riskmetrics, originalmente desenvolvida pelo banco J. P. Morgan.

Para o cálculo dos retornos geométricos pode-se utilizar a seguinte propriedade de


logarítmos:

(12)

Onde:
rt é o retorno no dia t; e
rt-1 é o retorno do dia anterior.

Contudo, conforme lembrado por Vicente (2010), para retornos aritméticos menores
que 5%, como no caso deste estudo, os retornos aritméticos e geométricos não possuem
diferença significativa, mantida a mesma escala de observação.

18
Também conhecido como retornos logarítmicos.
5.6 VaR pela metodologia Auto-Regressiva Condicional por Regressão Quantílica

Esta metodologia permite estimar o VaR sem a necessidade de se conhecer o processo


gerador dos retornos. Contudo, para a aplicação do modelo, faz-se necessário a existência de
uma série temporal de VaR anteriormente calculados.

Utilizando a metodologia da simulação de Monte-Carlo descrita no item 5.3, foram


gerados uma série de 30 cenários de retornos diários e calculados o VaR.

Optou-se tal qual Lima (2010) por utilizar a abordagem da inclinação assimétrica, por
ser esta a que melhor incorpora ao modelo a sensibilidade do VaR à ocorrência de retornos
positivos e negativos.

Desta forma a regressão quantílica foi aplicada ao seguinte modelo:

(13)

Onde:

VaRt (α) é o VaR no instante t;

β0, β1, β2 e β3 são coeficientes da regressão19;

VaRt-1 (α) é o VaR no instante t-1;

são vetores dos retornos positivos e negativos no instante t-1.

No software livre R foi utilizado a packpage <quantreg> para a regressão quantílica. A


função <rq> definiu os parâmetros de um modelo linear de regressão quantílica e a variável
<tau> foi utilizada na definição do nível de significância α a ser buscado pela regressão. Ou
seja, por intermédio das funções <max> e <converg> do software R, a função modelo foi
maximizada até que a taxa de violações ao VaR convergisse para a probabilidade α%.

Esta metodologia foi repetida para cada nível de confiança deste estudo (90; 95; 97,5 e
99%). Os valores encontrados para as séries temporais de VaR gerados aleatoriamente até o
dia 13 de agosto de 2012 constam na Tabela 13.

19
Segundo Engle e Manganelli (2004, apud LIMA, 2010) os estimadores β2 (retornos positivos) e β3 (retornos
negativos) são consistentes e assintoticamente normais.
Tabela 13: VaR – Auto-Regressivo Condicional por Regressão Quantílica

Nível de confiança VaR percentual VaR nominal


99% -45,4908 bp -R$ 603.531,66
97,5% -35,2193 bp -R$ 467.258,14
95% 0,2113 bp R$ 2.803,20
90% 2,4429 bp R$ 32.408,83
Elaboração: autor

Os valores da Tabela 13 refletem que o VaR calculado estima para o intervalo de


tempo de um dia: em 1% a chance da carteira perder mais do que R$ 603.531,66; em 2,5% a
chance dela perder mais que R$ 467.258,14; e em 5% e 10% as chances dela, no mínimo,
crescer R$ 2.803,20 ou R$ 32.408,83 respectivamente, podendo ainda, se desvalorizar.

Comparando com o retorno observado em 14 de agosto de 2012 (0,030581%), os VaR


calculados, para qualquer nível de confiança, não foram violados.

Para fins de backtesting, esta metodologia foi repetida em outras vinte e nove janelas
de tempo consecutivas, a fim de possibilitar a comparação entre o VaR calculado até a data D
e o valor real da carteira no dia D + 1.

Confrontando com as trinta últimas observações reais, os VaR calculados para o nível
de confiança de 99 e 97,5% não foram violados nenhuma vez. Já o VaR para os níveis de
confiança de 95 e 90% foram violados uma vez cada. No entanto, devido ao pequeno número
de observações não é conclusivo supor que o modelo não esteja bem ajustado, uma vez que os
resultados são possíveis.

5.7 VaR com metodologias específicas para uma carteira de renda fixa

5.7.1 VaR pela metodologia delta-gama-normal

Nesta metodologia é mantida a suposição da normalidade dos fatores de risco. Para o


caso de uma carteira de títulos de renda fixa, a metodologia pressupõe que a distribuição da
variação do valor da carteira é composta pela distribuição da variação das taxas de juros e
pela duração da carteira.
A incorporação do conceito de duration decorre do fato de esta ser uma medida de
sensibilidade do preço dos títulos de uma carteira às variações nos juros, ou como define
Veiga (2002): a duration pode ser considerada com a elasticidade preço do título em relação à
taxa de juros.

A metodologia supõe também que, para o cálculo do VaR, os retornos diários


representam a volatilidade da taxa de juros.

Deste modo, a duration modificada da carteira e a volatilidade da taxa de juros são


incluídos no cálculo do VaR de acordo com a fórmula:

(14)

Onde:
Dm é a duration modificada;
é o quantil da normal padrão (Z90% = 1,28; Z95% = 1,65; Z97,5% = 1,96; e Z99% =
2,33); e
é o estimador do desvio padrão dos retornos diários.

A duration modificada da carteira ALFA foi calculada de acordo com o contido no


Apêndice A.

Utilizando a Planilha MS Excel@ foram calculados os VaR, com base nas


observações até o dia 13 de agosto de 2012, para os níveis de confiança, de acordo com a
fórmula específica da metodologia delta-gama-normal (14).

Tabela 14: VaR – Delta-gama-normal

Nível de confiança VaR percentual VaR nominal


99% -3,5978 bp -R$ 47.732,52
97,5% -3,0312 bp -R$ 40.214,86
95% -2,5438 bp -R$ 33.749,37
90% -1,9820 bp -R$ 26.295,10
Elaboração: autor

Os valores da Tabela 14 refletem que o VaR calculado estima para o intervalo de


tempo de um dia: em 1% a chance da carteira perder mais do que R$ 47.732,52; em 2,5% a
chance dela perder mais que R$ 40.214,86; em 5% a chance dela perder mais que R$
33.749,37; e, em 10% a chance dela perder mais que R$ 26.295,10.

Comparando com o retorno observado em 14 de agosto de 2012 (0,030581%), os VaR


calculados, para qualquer nível de confiança, não foram violados.

Para fins de backtesting, esta metodologia foi repetida em outras vinte e nove janelas
de tempo consecutivas, a fim de possibilitar a comparação entre o VaR calculado até a data D
e o valor real da carteira no dia D + 1.

Confrontando com as trinta últimas observações reais, os VaR calculados para os


níveis de confiança de 99; 97,5; 95; e 90% não foram violados nenhuma vez. No entanto,
devido ao pequeno número de observações não é conclusivo supor que o modelo não esteja
bem ajustado, uma vez que os resultados são possíveis.

5.7.2 VaR pela metodologia delta-gama-normal com expansão de Taylor

Esta metodologia possui os mesmo pressupostos da metodologia anterior. A diferença


consiste na substituição da duration pelo acréscimo da convexidade, definida por intermédio
da expansão de Taylor.

A convexidade é uma medida de sensibilidade à variação do preço que considera os


efeitos de segunda ordem. Quando ocorrerem grandes variações no patamar dos juros, esta
medida é preferida, em substituição a duration.

No caso de pequenas variações nos juros, a expansão de Taylor pouco modifica os


valores encontrados por intermédio da duration.

No Apêndice A encontra-se a metodologia de cálculo utilizada para a convexidade da


carteira ALFA.

Tendo calculado a duration modificada (Dm), a convexidade (Conv), tem-se então que a
variação do preço (∆P) de um titulo de renda fixa em função da variação da taxa de desconto,
ou seja do yield (y) do papel (∆y) é dada por:

(15)
Desta forma, calcula-se o impacto no valor de mercado da carteira computando os
impactos estimados pela duration e agregando-se o impacto calculado pela convexidade.

Ao sofisticar o cálculo com o uso da convexidade, o valor absoluto será sempre mais
benéfico (no caso de uma posição ativa em um título de renda fixa), ou seja, no caso do
aumento na taxa de desconto (taxa de juros ou yield), o decréscimo no valor de mercado será
diminuído. Já no caso da redução da taxa de juros, o impacto positivo será melhorado.

Segundo Ohanian (2005), no caso das posições em renda fixa, a maior precisão
causada pelo computo da convexidade geralmente é pequeno, especialmente se as variações
nas taxas de juros não forem muito grandes, razão pela qual este impacto costuma ser
desprezado no cálculo do VaR, quando se usa o modelo paramétrico.

Ao agregar a expansão de Taylor ao cálculo do VaR utiliza-se a fórmula seguinte:

(16)

Onde:
Dm é a duration modificada;
Conv é a convexidade;
é o quantil da normal padrão (Z90% = 1,28; Z95% = 1,65; Z97,5% = 1,96; e Z99% =
2,33), e
é o estimador do desvio padrão dos retornos diários.

Utilizando a planilha eletrônica MS Excel@ foram calculados os VaR, com base nas
observações até o dia 13 de agosto de 2012, para os níveis de confiança, de acordo com a
fórmula específica da metodologia delta-gama-normal com expansão de Taylor (16).

Tabela 15: VaR – Delta-gama-normal com expansão de Taylor

Nível de confiança VaR percentual VaR nominal


99% -1,7051 bp -R$ 22.621,87
97,5% -1,4366 bp -R$ 19.050,02
95% -1,2056 bp -R$ 15.994,83
90% -0,9393 bp -R$ 12.462,04
Elaboração: autor
Os valores da Tabela 15 refletem que o VaR calculado estima para o intervalo de
tempo de um dia: em 1% a chance da carteira perder mais do que R$ 22.621,87; em 2,5% a
chance dela perder mais que R$ 19.050,02; em 5% a chance dela perder mais que R$
15.994,83; e, em 10% a chance dela perder mais que R$ 12.462,04.

Comparando com o retorno observado em 14 de agosto de 2012 (0,030581%), os VaR


calculados, para qualquer nível de confiança, não foram violados.

Para fins de backtesting, esta metodologia foi repetida em outras vinte e nove janelas
de tempo consecutivas, a fim de possibilitar a comparação entre o VaR calculado até a data D
e o valor real da carteira no dia D + 1.

Confrontando com as trinta últimas observações reais, os VaR calculados para os


níveis de confiança de 99%; 97,5%; 95%; e 90% não foram violados nenhuma vez. No
entanto, devido ao pequeno número de observações não é conclusivo supor que o modelo não
esteja bem ajustado, uma vez que os resultados são possíveis.

Vale ressaltar que se a carteira somente contiver posições ativas, ou seja, compradas
em títulos de renda fixa, como o caso da carteira ALFA, assume-se que os prejuízos ocorrem
por incremento nas taxas de juros. Neste caso, conforme o esperado, a convexidade atua no
sentido de diminuir o VaR da carteira.

No que diz respeito a posições passivas em renda fixa, os cenários ruins para a carteira
são aqueles em que a taxa de juros cai. Desse modo, a convexidade faz com que o impacto
seja pior.

5.7.3 VaR pela metodologia de dois fatores

A metodologia de dois fatores consiste na alternativa de substituir a covariância entre


os ativos da carteira pela variância de dois dos fatores que explicam a variação no movimento
da curva de juros: o coeficiente de paralelismo e o coeficiente de rotação.
Por se tratar de uma carteira de títulos pós-fixados, o modelo de dois fatores para o
cálculo do Var da carteira ALFA foi adaptado. Desse modo, as LFT foram retiradas do
cálculo desta metodologia com base nos mesmos motivos descritos no Apêndice A.
O passo inicial foi mapear a carteira em vértices pré-estabelecidos. De forma similar a
Veiga (2002), escolheu-se prazos em que se encontrem um maior volume de negociação no
mercado, como um mês, dois meses e seis meses.

Neste trabalho, adotou-se o seguinte critério: na data de cálculo da primeira estimativa


do VaR, ou seja, em 04/07/2012, os papéis cujo prazo até o vencimento fossem menores ou
iguais a trinta dias foram colocados no vértice de 21 dias úteis; os papéis cujo prazo
estivessem entre trinta e sessenta dias foram colocados no vértice de 42 dias úteis; e os demais
papéis no vértice de 126 dias úteis.

A Tabela 16 apresenta a composição da carteira de trabalho para o cálculo da


metodologia de dois fatores.

Tabela 16: Carteira ALFA adaptada ao modelo de dois fatores

Tipo de papel Vértice Percentual da carteira


DPGE Fibra 108% CDI 21 dias 11,96%
LF Bradesco 105% CDI e LF BNP 106,5% CDI 42 dias 23,82%
LF Bradesco 106,5% CDI e LF Santander 108% CDI 126 dias 64,22%
Elaboração: autor

Com auxílio da planilha eletrônica MS Excel@, foram tabeladas para os cento e vinte
e dois dias úteis as rentabilidades para os vértices e calculadas suas variações. A Tabela 17
apresenta os números para as cinco primeiras e as cinco últimas observações.

Tabela 17: Rentabilidade e variações das taxas de juros por período

Rentabilidade (base points) Variação (t;t-1) (base points)


Data
21 dias 42 dias 126 dias 21 dias 42 dias 126 dias
03/01/12 1,07 0,57 0,40 ---- ---- ----
04/04/12 1,54 1,50 1,08 -0,47 -0,92 -0,67
05/01/12 1,86 0,72 1,75 -0,31 0,77 -0,67
06/01/12 0,81 1,95 1,34 1,04 -1,23 0,40
09/01/12 0,26 1,01 1,12 0,54 0,94 0,22
10/01/12 1,76 0,96 1,54 -1,49 0,05 -0,42
... ... ... ... ... ... ...
27/06/12 3,44 3,37 3,33 0,00 0,00 0,02
28/06/12 3,44 3,36 3,38 0,00 0,00 -0,04
29/06/12 3,45 4,73 3,35 -0,00 -1,36 0,03
02/07/12 3,44 2,00 3,36 0,00 2,73 -0,01
03/07/12 -0,18 -0,27 -0,17 3,61 2,27 3,52
Elaboração: autor
Da mesma forma que na modelagem efetuada por Veiga (2002) têm-se para carteira
conjuntos de diferenças para os três vencimentos. O passo seguinte consiste em efetuar uma
regressão linear para cada dia de observação a fim de calcular os coeficientes de paralelismo e
de rotação. Em nosso caso, serão calculadas 140 regressões lineares assim definidas:

(17)

Onde:
é a variação da rentabilidade do vencimento i no tempo t;

é o estimador do coeficiente de paralelismo da regressão;

é o estimador do coeficiente de rotação da regressão; e


(i - i*) é a diferença entre o prazo e o prazo em que há rotação.

Segundo Veiga (2002), o prazo em que há rotação é uma constante definida por:

(18)

Ainda segundo o autor, o coeficiente b para um dia pode ser calculado por:

(19)

Diante do exposto e com os dados disponíveis, o i* calculado com base nas três
primeiras observações foi de 63,07 dias.

Conforme atesta Veiga (2002) em seu trabalho, a metodologia original sugerida por
Niffikeer et al (2000) constrói as covariâncias a partir das regressões diárias. Desta forma,
por intermédio da ferramenta Análise de Dados do MS Excel@, escolheu-se a opção
REGRESSÃO para calcular os estimadores.

A Tabela 18 apresenta os valores dos estimadores para os coeficientes de paralelismo


e rotação, após serem rodadas as regressões lineares.
Tabela 18: Variações das taxas de juros, estimadores dos coeficientes de paralelismo e
de rotação após as regressões lineares.

Variação (t;t-1) (base points)


Data (%) (%)
21 dias 42 dias 126 dias
04/04/12 -0,47 -0,92 -0,67 -0,00691504 -0,0000053
05/01/12 -0,31 0,77 -0,67 -0,00069603 -0,0000738
06/01/12 1,04 -1,23 0,40 0,00075285 0,0000118
09/01/12 0,54 0,94 0,22 0,00570592 -0,0000456
10/01/12 -1,49 0,05 -0,42 -0,00622441 0,0000563
... ... ... ... ... ...
27/06/12 0,00 0,00 0,02 0,00035680 0,00000857
28/06/12 0,00 0,00 -0,04 -0,00012135 -0,00000481
29/06/12 -0,00 -1,36 0,03 -0,00449157 0,00005005
02/07/12 0,00 2,73 -0,01 0,00907323 -0,00009491
03/07/12 3,61 2,27 3,52 0,03140668 0,00003665
Elaboração: autor

Destaca-se que somente foram considerados na amostra os estimadores de p e b cuja


estatística P-valor indicasse a significância estatística de seus valores, com 95% de
probabilidade.

A fim de calcular o VaR pela metodologia de dois fatores, de acordo com a fórmula
(5) apresentada na seção 3.4.7.4, foram calculadas as taxas médias dos períodos, conforme
exposto na Tabela 19.

Tabela 19: Taxas médias ao período

Taxas médias de rentabilidade r*(%)


21 dias 42 dias 126 dias
0,03410363 0,3385584 0,03416202
Elaboração: autor

Com apoio da planilha eletrônica do MS Excel@ foi calculado o VaR diário estimado
com base nas observações até o dia 13 de agosto de 2012, para os níveis de confiança, de
acordo com a fórmula (5) específica da metodologia de dois fatores.

Tabela 20: VaR – Metodologia de dois fatores

Nível de confiança VaR Percentual VaR nominal


99% -0,00044 bp -R$ 5,82
97,5% -0,00037 bp -R$ 4,91
95% -0,00031 bp -R$ 4,12
90% -0,00024 bp -R$ 3,21
Elaboração: autor
Os valores da Tabela 20 refletem que o VaR calculado estima para o intervalo de
tempo de um dia: em 1% a chance da carteira perder mais do que R$ 5,82; em 2,5% a chance
dela perder mais que R$ 4,91; em 5% a chance dela perder mais que R$ 4,12; e, em 10% a
chance dela perder mais que R$ 3,21.

Comparando com o retorno observado em 14 de agosto de 2012 (0,030581%), os VaR


calculados, para qualquer nível de confiança, não foram violados.

Para fins de backtesting, esta metodologia foi repetida em outras vinte e nove janelas
de tempo consecutivas, a fim de possibilitar a comparação entre o VaR calculado até a data D
e o valor real da carteira no dia D + 1.

Confrontando com as trinta últimas observações reais, os VaR calculados para os


níveis de confiança de 99; 97,5; 95; e 90% foram violados uma vez cada. No entanto, devido
ao pequeno número de observações não é conclusivo supor que o modelo não esteja bem
ajustado, uma vez que os resultados são possíveis.

5.8 Resumo dos resultados

A Tabela 21 apresenta um resumo com os diversos valores de VaR encontrado pelas


diferentes metodologias, para o nível de confiança de 99%.

Tabela 21 – Estimativas de VaR, por metodologia, com 99% de confiança


Estimativas de VaR
Metodologia
99% de confiança
Simulação Histórica pesos fixos -R$ 11.813,04
Simulação Histórica com suavização -R$ 14,55
Simulação de Monte Carlo -R$ 652.041,36
Delta-normal -R$ 342.108,38
Delta-normal com suavização R$ 12.906,25
Auto-Regressiva Condicional por Regressão Quantílica -R$ 603.531,66
Delta-gama-normal -R$ 47.732,52
Delta-gama-normal c/Taylor -R$ 22.621,87
Dois fatores -R$ 5,82
Elaboração: autor

Excetuando-se a metodologia delta-normal com suavização que apresenta um VaR


positivo, ou seja, a pior perda esperada, dado o nível de confiança, ainda sim é uma
“valorização da carteira”, todas as demais metodologias apontam a possibilidade de perdas
para a carteira ALFA.
6 ANÁLISE DOS RESULTADOS

Neste capítulo são analisados os resultados encontrados no capítulo anterior. Para


construção desta análise, retoma-se a questão da volatilidade dos dados e, utiliza-se da função
de perda de Lopez como backtesting para as estimativas de VaR. Ao final, são efetuados
comentários sobre a aplicabilidade das metodologias à carteira ALFA.

6.1 Aspectos Gerais

Voltando a analisar a Figura 1, apresentada no capítulo 4, página 49 deste trabalho,


percebe-se uma maior volatilidade na distribuição dos retornos diários da carteira ALFA no
início do período de observação. Posteriormente, nota-se que há uma queda nesta volatilidade
que afeta os resultados encontrados, uma vez que os valores dos retornos diários observados
nos dados mais recentes da amostra possuem pequenas variações.

Vale ressaltar que a existência de aglomerados de volatilidade, tal como encontrados


na série de retornos da carteira ALFA, é uma violação da suposição de que os retornos são
independentes e identicamente distribuídos.

De fato, como as estimativas de VaR calculados foram comparadas aos valores reais
dos retornos ocorridos nas trinta últimas observações e estas apresentam um comportamento
menos volátil ao longo do período analisado, eleva-se a tendência de que os testes apontem
uma superestimação dos VaR calculados, o que pode justificar os valores encontrados no
backtesting.

De qualquer forma, conforme a Tabela 21, ao final do capítulo 5, na página 71, a


amplitude do intervalo entre os valores encontrados pelas diferentes metodologias aponta na
direção de que algumas devam ser descartadas. Por exemplo, para o nível de significância de
99%, a Simulação de Monte Carlo estimou que a maior perda esperada para a carteira em um
dia, seria uma desvalorização em torno de R$ 660 mil. No extremo oposto, para o mesmo
nível de significância, a metodologia delta normal com suavização exponencial estimou,
como perda máxima em um dia, uma valorização da carteira de quase R$ 13 mil.

Esta disparidade entre os valores estimados permanece para todos os demais níveis de
significância que foram utilizados neste trabalho. Isto ocorre devido à tendência de, em uma
distribuição normal, as estimativas se concentrarem em torno da média, diminuindo a chance
da ocorrência de valores extremos. Esta característica é absorvida pelos modelos que
trabalham com a distribuição normal dos retornos. Já os modelos não paramétricos costumam
atribuir probabilidades mais igualitárias de ocorrência aos valores afastados da média.

O teste de aderência aplicado indicou ser fraca a hipótese de normalidade dos retornos
diários da carteira ALFA. A análise da Figura 2, apresentada no capítulo 4, página 50,
também nos leva a desconsiderar esta hipótese. Entretanto, para testar e conhecer as
aplicações práticas, as metodologias que usam a normalidade dos retornos como base, foram
utilizadas na estimativa do VaR, mas seus resultados sofreram distorções.

Por outro lado, é possível avaliar que os métodos de suavização influenciaram


positivamente os resultados, independente do modelo utilizado (paramétrico ou não
paramétrico), seja na metodologia de simulação histórica, seja na metodologia delta-normal.

Deste modo, foi significante para as estimativas de VaR apuradas por cada
metodologia, a forma como os modelos trataram a concentração de volatilidade ocorrida no
início do período observado e o seu peso na estimação do comportamento futuro.

6.2 Backtesting

A técnica de backtesting consiste em comparar os resultados previstos com os


efetivamente observados. Neste estudo, as metodologias para a estimação do VaR diário
foram repetidas trinta vezes para cada nível de significância e, o VaR calculado foi
comparado com o valor real da carteira do dia seguinte. A tabela 22 apresenta o número de
vezes em que o VaR estimado foi violado, para cada metodologia e para cada nível de
significância do estudo.

Tabela 22 – Número de violações ao VaR (30 observações)


Nível de Confiança
Metodologia
99% 97,5% 95% 90%
Simulação Histórica pesos fixos 0 0 1 1
Simulação Histórica com suavização 1 1 1 1
Simulação de Monte Carlo 0 0 0 1
Delta-normal 0 0 0 0
Delta-normal com suavização 0 1 1 1
Auto-Regressiva Condicional por Regressão Quantílica 0 0 1 1
Delta-gama-normal 0 0 0 0
Delta-gama-normal c/Taylor 0 0 0 0
Dois fatores 1 1 1 1
Elaboração: autor

O número de violações ao VaR estimado deve estar próximo ao esperado de acordo


com o nível de confiança ou seja, 1 – α vezes o número de observações, onde α é o nível de
significância do VaR estipulado. Desta forma, a cada cem observações, para o nível de
confiança de 99% espera-se uma violação; para 97,5% são esperadas entre duas e três
violações; para 95% são esperadas cinco violações; e para o nível de 90% são esperadas dez
violações.

Adequando os percentuais acima à realidade do trabalho, a cada trinta observações,


para o nível de confiança de 99% são esperadas 0,3 violações; para 97,5% são esperadas 0,75
violações; para 95% são esperadas 1,5 violações; e para o nível de 90% são esperadas 3
violações. Tendo em vista que o número de dias é um valor inteiro, podemos adaptar a análise
da seguinte maneira: para 99 e 97,5% são esperadas no máximo uma violação; para 95% entre
uma e duas violações e para 90% três violações ao VaR estimado.

Os dados da Tabela 22 indicam que, as metodologias superestimam o VaR para o


nível de confiança de 90% ao se constatar que o valor em risco foi violado um menor número
de vezes do que o esperado. Esta informação sugere que, a esse nível de significância, a
carteira ALFA possui reservas de capital excessivas, o que gera ineficiência.

Para o nível de confiança de 95%, a simulação de Monte-Carlo, as metodologias delta-


normal, delta-gama-normal e delta-gama-normal com expansão de Taylor parecem tender a
superestimar o VaR. Para as demais metodologias e os outros níveis de confiança, os dados
não são conclusivos.

Agregado ao fato de que a volatilidade dos retornos é menor no período de


comparação (trinta últimas observações) e, diante do número de backtesting realizados (30
para cada metodologia), a avaliação baseada na frequência de violações não é conclusiva.

Optou-se, então, por utilizar uma metodologia de backtesting que avaliasse o impacto
das violações. A metodologia escolhida foi a função de perda de Lopez, uma vez que esta
técnica pode ser aplicada em casos de séries históricas curtas.

Segundo Lima (2010), a função de perda de Lopez “avalia o tamanho das violações,
ou seja, o impacto causado no portfólio acima do previsto, que pode impactar a estrutura de
limites definidos pela alta administração de uma organização ou pelos gestores de riscos”
(LIMA, 2010, p. 35).

A função de perda de Lopez está assim definida:

(20)

Ou seja, associa o número zero toda vez que o retorno observado (ro) for maior ou
igual ao VaR estimado (VaRe); e associa o valor da expressão 1 + (ro - VaRe)2 toda vez que o
retorno observado for menor que o VaR estimado.

Ainda de acordo com Lima (2010), a função de perda de Lopez inclui a sensibilidade
ao tamanho da violação ao incluir a diferença entre o valor do VaR estimado e o retorno
observado.

Uma vez definida a função, será escolhido como melhor modelo aquele que minimizar
o seguinte somatório:

(21)

O valor mínimo calculado para cada metodologia está posicionado na Tabela 23.

Tabela 23 – Valores de backtesting da função de perda de Lopez


Metodologia Mínimo (L)
Simulação Histórica pesos fixos 0,0006
Simulação Histórica com suavização 0,0013
Simulação de Monte Carlo 0,0003
Delta-normal 0,0000
Delta-normal com suavização 0,0010
Auto-Regressiva Condicional por Regressão Quantílica 0,0006
Delta-gama-normal 0,0000
Delta-gama-normal c/ Taylor 0,0000
Dois fatores 0,0013
Elaboração: autor

De acordo com os dados da Tabela 23 e colocando em ordem da pior para a melhor


metodologia, tem-se: como piores metodologias a simulação histórica com suavização
exponencial empatada com a metodologia de dois fatores. Em seguida a metodologia delta
normal com suavização exponencial. Melhorando o desempenho tem-se as metodologias de
simulação histórica a pesos fixos empatada com a auto-regressiva condicional por regressão
quantílica.

Com um desempenho ainda melhor, segundo a função de perda de Lopez, apresenta-


se a metodologia por simulação de Monte Carlo. E, empatadas como as melhores as
metodologias delta normal, delta-gama-normal e delta-gama-normal com expansão de Taylor.

Contudo, nota-se que o teste de Lopez privilegia os modelos que superestimam o VaR
ao penalizar os modelos que possuem violações, uma vez que a diferença entre o VaR
estimado e o retorno observado possui um pequeno peso.

6.3 Análise das metodologias aplicadas

De posse dos resultados alcançados, faz-se necessário verificar a aplicabilidade das


metodologias para a carteira do Fundo Naval. Algumas são de implantação direta, de fácil
manuseio e compreensão, outras, entretanto, necessitam de um conhecimento teórico um
pouco mais elaborado, bem como, do manuseio de softwares específicos, o que implicaria
num aperfeiçoamento da qualificação técnica dos militares da Seção de Análise de Risco,
aspecto amplamente difundido pela Marinha.

A ideia é de que os militares, responsáveis por acompanhar o risco da carteira do


Fundo Naval entendam o quê estão fazendo, porquê estão fazendo e para quê o fazem, ou
seja, compreendam a metodologia, conheçam suas características e limitações para que
saibam contextualizar a informação obtida pelo VaR.

As metodologias baseadas na simulação histórica são de fácil implantação, manuseio e


entendimento. Sem perda da qualidade, podem ser geradas em planilha eletrônica do MS
Excel@ de amplo conhecimento dos militares. O pré-requisito para implantação desta
metodologia é a manutenção dos registros diários dos retornos da carteira.

Para a simulação de Monte-Carlo optou-se pelas ferramentas disponíveis no software


livre R por intermédio de algumas funções específicas. As descrições em manuais das
funcionalidades do software R, agregadas ao fácil entendimento da metodologia de Monte-
Carlo, tornaram sua implantação e manuseio possíveis com um pequeno esforço técnico.

As metodologias delta-normal são de fácil implantação e manuseio, porém seu


entendimento é um pouco mais elaborado, pois já necessita de uma pequena análise sobre a
distribuição dos retornos e um conhecimento básico sobre os parâmetros da distribuição
normal. A planilha do MS Excel@ é uma ferramenta computacional que promove resultados
satisfatórios, o que não implicaria em dificuldades aos militares. Entretanto, não seria uma
metodologia de domínio de todos de forma imediata.

As metodologias delta-gama-normal e delta-gama-normal com expansão de Taylor,


por incorporarem à metodologia delta-normal o conhecimento sobre duration e convexidade
não podem ser consideradas de fácil implantação, manuseio e entendimento. Para que os
responsáveis compreendam a metodologia, faz-se necessário o aprimoramento técnico em
gestão de risco e finanças.

A metodologia de dois fatores se utiliza da metodologia delta-normal, porém, é a que


necessita de maior conhecimento teórico para seu entendimento, pois incorpora conceitos de
estatística, matemática, econometria e finanças. Apesar de ser totalmente adaptável ao uso da
planilha do MS Excel, sua implantação, manuseio e entendimento não são simples. Para sua
compreensão faz-se necessário o aprimoramento técnico em econometria e finanças.

A metodologia que utiliza a regressão quantílica necessita de um conhecimento de


estatística e econometria, mas principalmente, como foi utilizado neste trabalho, do manuseio
das funções do software livre R, ou de algum outro software que gere a regressão quantílica e
sua convergência ao parâmetro estabelecido pelo nível de significância. Ou seja, para a
compreensão, manuseio e implantação desta metodologia também se faz necessário o
aprimoramento técnico dos militares.

Apesar de no mercado, tendo como base o teorema do limite central, as metodologias


baseadas na hipótese de normalidade dos retornos serem amplamente disseminadas, para a
realidade dos dados disponíveis no Fundo Naval, empiricamente assimétricos e leptocúrticos,
adotar uma metodologia baseada na distribuição normal dos retornos não nos parece ser a
melhor opção. No mesmo sentido, desprezar a necessidade de algum tratamento à volatilidade
dos dados não parece coerente. Tal aspecto nos indica utilizar o método de suavização em
nossa metodologia e ainda, optar por metodologias que não valorizem a forma como os
retornos estão distribuídos.

Desta maneira, foi verificado que o aspecto auto-regressivo condicional da regressão


quantílica efetivamente estima o VaR, mantendo, abaixo da reta de regressão, as exceções
rigorosamente dentro dos limites estabelecidos pelo nível de significância e pelo tamanho da
amostra, o que torna esta metodologia bastante interessante.

Isto posto, a Seção de Análise de Risco do Fundo Naval, em primeiro lugar, deve
sempre acompanhar a distribuição dos retornos diários. Com o passar do tempo, caso a
distribuição dos retornos se torne mais próxima da curva normal, a sugestão é reativar as
metodologias delta-normal. Mas até que isto ocorra, as estimativas ao VaR devem ser
calculadas com base em metodologias não paramétricas. Em um primeiro momento deve-se
priorizar a simulação histórica com suavização exponencial e a simulação de Monte-Carlo,
enquanto são aprimorados os conhecimentos técnicos do pessoal envolvido para a
implantação da metodologia auto-regressiva condicional por regressão quantílica.
7 CONSIDERAÇÕES FINAIS

Inserido na tendência cada vez mais comum de aproximar, conhecer e implantar


ferramentas da iniciativa privada na gestão pública, principalmente em áreas não tão afetas ao
dia-a-dia do gestor público, como a área da gestão de risco, este trabalho teve a intenção de
verificar a aplicabilidade de metodologias de cálculo do valor em risco, para sua posterior
utilização na Seção de Análise de Risco do Fundo Naval.

Foram aplicadas em uma carteira derivada de um fundo exclusivo do Fundo Naval


junto à Caixa Econômica Federal, metodologias paramétricas e não paramétricas tais como:
simulação histórica, simulação de Monte-Carlo, metodologia delta-normal, delta-gama
normal, modelo de dois fatores e modelo auto-regressivo condicional por regressão quantílica.

Os resultados das metodologias foram considerados dentro das limitações que as


hipóteses do trabalho os caracterizaram e levando em consideração o tamanho restrito da
amostra de dados disponível.

Mesmo assim, foi possível indicar quais as metodologias de VaR devam ser
implantadas na Seção de Análise de Risco da Diretoria de Finanças da Marinha, respondendo
ao problema de pesquisa inicialmente proposto. A pesquisa sugere a utilização inicial da
simulação histórica com suavização exponencial e/ou da simulação de Monte-Carlo, além de
acompanhar o comportamento da distribuição dos retornos da carteira. Caso, no futuro, com
um maior número de observações, a distribuição dos retornos se aproxime da curva de Gauss,
pode-se introduzir alguma metodologia de base delta-normal.

Espera-se, contudo, que após um pequeno investimento na qualificação técnica do


pessoal envolvido, a Seção de Análise de Risco possa migrar para a metodologia auto-
regressiva condicional por regressão quantílica para a estimação do VaR da carteira do Fundo
Naval.

Sugere-se também, reconhecidas as limitações das estimativas de VaR, sempre


complementar a avaliação do risco com a análise do cenário econômico-financeiro, a fim de
tentar encontrar informações sobre possibilidades de perdas ou ganhos potenciais da carteira.

Uma vez disseminado os conceitos relativos ao risco e às metodologias de cálculo de


VaR, deve-se incentivar o intercâmbio com instituições públicas e privadas no intuito de
atualizar experiências na gestão de risco e, se possível, incorporar inovações e ferramentas de
tecnologia da informação disponíveis aos militares que respondem pelo Fundo Naval, com a
intenção de introduzir métodos mais robustos e eficientes.

Basicamente, as limitações deste trabalho podem ser divididas em três grandes grupos.
O primeiro grupo consiste na suposição de que existe uma relação explicável entre os valores
do passado e do presente com o comportamento futuro. O segundo é pautado nas
simplificações e suposições dos modelos aplicados, como por exemplo, a de que os retornos
diários são normalmente distribuídos. O terceiro grupo refere-se a escolha do(s) sistema(s) de
software utilizado(s) nos cálculos e estimativas. As demais limitações são decorrências dos
detalhamentos, aprofundamentos, desdobramentos ou mesmo consequências destes três
grandes grupos.

A geração das estimativas numéricas do VaR não somente envolve uma série de
problemas de cunho probabilístico, como também aspectos afetos a área da inferência
estatística, o que por si só já traz um forte componente de incerteza ao número calculado.

Em se tratando de dados reais, segundo Jorion (2003), as estimativas de VaR devem


ser analisadas com cuidado pois são diretamente afetadas pela variação amostral em virtude
do tamanho da amostra. As janelas de observações deste estudo, que variam entre cento e
vinte duas e cento e cinquenta e duas observações, são consideradas de tamanho pequeno, o
que resulta em uma limitação ao estudo.

A limitação do número de observações diárias deve-se à opção de analisar o VaR para


uma mesma carteira sem que esta sofresse modificações em sua composição. Como o objetivo
do estudo consiste em comparar a aplicabilidade e o resultado das diversas metodologias,
preferiu-se manter a carteira constante.

O poder do backtesting também está diretamente relacionado ao tamanho da amostra.


Desta forma, os testes realizados com trinta observações por modelo podem ter prejudicado os
resultados obtidos. Contudo, a solução seria aumentar o número de testes realizados
diminuindo as janelas de observações dos retornos diários, o que implicaria em um número
insuficiente de observações para se fazerem inferências confiáveis. Portanto, devido às
características da amostra, não foi possível realizar o backtesting com o rigor estatístico
exigido.
A hipótese de que os retornos diários dos papéis da carteira ALFA possuem entre si
correlação igual a 1, possibilitou que, no modelo delta normal, a volatilidade fosse estimada
diretamente pelo desvio padrão da carteira e não por intermédio de uma matriz de variância-
covariância. Apesar dos valores das correlações estarem sempre situados acima de 0,9; a
suposição de correlação direta igual a 1 pode ter ocasionado alguma discrepância nos valores
estimados para o VaR.

Levando em consideração o fato de a carteira ALFA ser composta exclusivamente por


títulos pós-fixados de renda fixa, para a aplicação de algumas metodologias nesse trabalho foi
preciso supor que os movimentos da estrutura a termo da taxa de juros fossem sempre
paralelos, o que não é verdade.

No caso específico das metodologias aplicáveis às carteiras de renda fixa, optou-se


pela retirada da carteira ALFA das LFT. Esta opção seguiu a linha de raciocínio de Ohanian
(2005), que desconsidera o VaR da LFT ou considera a LFT com VaR igual a zero.

As LFT são negociadas com um prêmio/desconto. Na verdade, o prêmio/desconto da


LFT não é relacionado com a curva, relacionando-se com a liquidez do papel, ou mesmo com
a percepção de crédito do emissor. Isso, talvez seja o que proporcione pequenos VaR numa
carteira de LFT, pois a carteira pode ter alta volatilidade por causa do chamado risco de base,
ou seja, o valor de mercado do título público estar exposto além do risco de movimento da
curva, mas estar exposto ao movimento do ágio/deságio.

Ainda segundo Ohanian (2005), uma maneira de fazer a aproximação do VaR das LFT
seria efetuar um cálculo de sensibilidade usando choques na curva do CDI. Seria necessário
identificar qual seria a duration de um título pré-fixado de mesmo montante da LFT que
resultasse na mesma sensibilidade a uma oscilação de 1 ponto base na taxa de juros obtida
acima. Mesmo assim, esta metodologia, para o caso da LFT seria de difícil aplicação, pois
necessitaria de uma hipótese sobre o diferencial entre a curva do CDI e a curva da taxa Selic.
Diante do exposto, optou-se, neste trabalho, pela retirada das LFT na aplicação das
metodologias específicas para carteiras com títulos de renda fixa.

O fato de a Seção do Fundo Naval na Diretoria de Finanças da Marinha não possuir


um histórico com os VaR calculados obrigou que fossem estimados VaR com base em
retornos diários aleatórios, gerados por intermédio da simulação de Monte-Carlo, para o
cálculo da metodologia por regressão quantílica.
A escolha pela utilização da planilha eletrônica do MS Excel@ e do software livre R
como plataformas de cálculo para as estimativas de VaR em detrimento do uso de outros
softwares estatísticos ou programas específicos, foi respaldada na limitação de que, no
momento, não é possível implementar ferramentas mais sofisticadas dentro da Seção de
Análise de Risco do Fundo Naval.

Como indicação para outros estudos, pode-se continuar esta abordagem verificando o
grau de importância da escolha do fator de decaimento nas suavizações efetuadas,
comparando as volatilidades e os VaR estimados ao se trabalhar com fatores diferentes do
padrão Riskmetrics (λ = 0,94). Vale ressaltar que, segundo Caselato (2009) quanto mais alto
for o fator de decaimento, maior é a contribuição dos retornos passados ao cálculo do VaR.
Como sugestão poderiam ser utilizados os fatores λ = 0,97 e λ = 0,91 para imputar maior ou
menor peso às observações passadas, respectivamente.

Ao se estudar o risco da carteira ALFA, baseada na composição real do fundo


exclusivo da Marinha do Brasil junto à Caixa Econômica Federal (fundo Acanthus), foi
inevitável observar, de forma crítica, a composição dos dois fundos exclusivos.

Uma análise preliminar sugere que sejam aprimorados os estudos em conjunto com as
áreas técnicas dos bancos e os gestores dos fundos no que se refere à formação da carteira.
Como sugestão, podem ser elaborados estudos, a nível acadêmico, propondo uma nova
composição para os fundos com base na teoria de montagem e avaliação de carteiras.

Pode-se também verificar a contribuição de cada papel para o risco total da carteira.
Para tanto, podem ser estudados, ainda, os modelos analíticos de VaR, tais como: VaR
diversificado e não diversificado; VaR individual; VaR marginal; VaR incremental e VaR
componente.

Uma vez implantada uma metodologia de risco no Fundo Naval, as informações de


VaR geradas diariamente deverão compor uma base de dados, no intuito de construir uma
série temporal de observações. Com um maior número de retornos diários da carteira, pode-se
verificar a aderência da distribuição diária dos retornos à curva normal. Outra opção, após a
análise da distribuição seria estimar o VaR pela Teoria dos Valores Extremos ou ainda,
aplicar novamente a metodologia auto-regressiva condicional por regressão quantílica com
base em dados reais, a fim de estimar valores mais consistentes em comparação com as
metodologias aplicadas nesse trabalho.
Outros trabalhos poderiam aprofundar-se na questão da volatilidade da carteira,
testando procedimentos diferentes de estimação de volatilidade, comparando os modelos
testados a fim de diminuir os erros deste estudo.
REFERÊNCIAS BIBLIOGRÁFICAS

ARCOVERDE, G. L.. Uma nota sobre o procedimento de “Mapeamento em


Vértices nos modelos de cálculo do VaR de instrumentos de renda fixa. Resenha
BM&F, v. 141, p. 35-50, set/out, 2000. São Paulo. 2000. Disponível em:
<http://www.risktech.com.br/artigos/artigoscientificos.asp>. Acesso em 17 jan. 2013.

BARBEDO, C. H. da S.; ARAÚJO, G. S.; LEMGRUBER, E. F. Incorporação da


Volatilidade ao Modelo de VaR Histórico para ativos não-lineares. In: IV
ENCONTRO BRASILEIRO DE FINANÇAS. Rio de Janeiro. jul. 2004. Disponível
em <http://bibliotecadigital.fgv.br/ocs/index.php/ebf/4EBF/schedConf/presentations>.
Acesso em: 12 dez. 2012.

BANCO CENTRAL DO BRASIL. Circular nº. 2.972 de 23/03/2000. Brasília. 2000.

_______. Circular nº. 3.361 de 12/09/2007. Brasília. 2007.

CASELATO, L. Uma comparação dos modelos de Value at Risk aplicados em


carteiras de renda fixa. 2009. 110 f. Dissertação (Mestrado em Administração) –
Pontifícia Universidade de São Paulo. São Paulo. São Paulo, 2009.

CHRISTOFFERSEN, P. F. Evaluating Interval Forecasts. International Economics


Review, Vol. 39, nº. 4, Symposium on Forecasting and Empirical Methods in
Macroeconomics and Finance, nov. 1998, p. 841-862. Disponível em:
<http://www.ims.nus.edu.sg/Programs/econometrics/files/kw_ref_4.pdf>. Acesso em:
03 dez. 2012.

DIRETORIA DE FINANÇAS DA MARINHA. Diretrizes para Operações do


Fundo Naval. Rio de Janeiro. Memorando nº.1/2009. 4p.

DUARTE Jr, A. M. Simulação de Monte Carlo para análise de opções. Resenha


BM&F 115, São Paulo, 1996, p. 52-64.

FERREIRA, L. F. R. Manual de gestão de renda fixa. 1ª ed. Porto Alegre:


Bookman, 2004. 216 p.
GAGLIONE, W. P. Evaluating Value at Risk models via quantile regressions.
Ensaios em Macroeconometria e Finanças. 2007. Tese de Doutorado apresentada ao
Curso de Pós-Graduação em Economia da EPGE. Rio de Janeiro, 2007. Disponível
em: <http://virtualbobfgv.br/dspace/handle/10438/1066>. Acesso em: 15 out. 2012.

GAMEN, M.; BAIDYA, T. K. N.. Comparação de Modelos de VaR aplicados a


Operações de Imunização de Curva no Mercado Brasileiro de Renda Fixa. In: VII
ENCONTRO BRASILEIRO DE FINANÇAS. São Paulo. jul. 2007. Disponível em
<http://bibliotecadigital.fgv.br/ocs/index.php/ebf/7EBF/paper/viewFile/1794/904>.
Acesso em: 22 dez. 2012.

GARCIA, F. D. Value at Risk para carteiras de derivativos de câmbio em


empresas regidas pela norma IAS 39. 2007. 84 f. Dissertação (Mestrado
profissionalizante em Economia) – Faculdade de Economia e Finanças IBMEC. Rio
de Janeiro, Rio de Janeiro. 2007.

HOLTON, G. A. History of Value at Risk: 1922-1998. Working Paper, July 25,


2002. Disponível em: <http://www-stat.wharton.upenn.edu/~steele/Courses/434/434
Context/RiskManagement/VaRHistlory.pdf>. Acesso em 28 set. 2012.

JORION, P. Value at Risk: a nova fonte de referência para gestão do risco


financeiro. 2ª. ed. rev. e ampl. São Paulo, Bolsa de Mercadorias e Futuros, 2003. 487
p.

KIMURA, H. et al. Value at Risk – Como entender e calcular o risco pelo VaR.
Ribeirão Preto: Inside Books, 2008. 251 p.

KLEIBER, C., ZEILEIS, A. Applied Econometrics with R (Use R!). New York,
Springer New York, 2008. 221p.

LAPPONI, J. C. Estatística usando o Excel. 4ª. ed. rev. e atual. São Paulo, Elsevier-
Campus, 2005. 476 p.

LIMA, W. B. Avaliação dos modelos de valor em risco do fundo de aplicação em


cotas da PETROBRAS. 2010. 97 f. Dissertação (Mestrado profissionalizante em
Economia) – Faculdade de Economia e Finanças IBMEC. Rio de Janeiro, Rio de
Janeiro, 26/fev/2010.
LITTERMAN, R., SCHEINKMAN, J. Common Factors Affecting Bond Returns.
The Journal of Fixed Income 1, p. 54-61, 1988. Disponível em :< http://www.
math.nyu.edu/faculty/avellane/Litterman1991.pdf>. Acesso em 4 nov. 2012.

LIU, Y.C. Comparativo de metodologias de mensuração de VaR para o mercado


financeiro brasileiro. 2007. 114 f. Dissertação (Mestrado em Economia Empresarial)
– Fundação Getúlio Vargas, Escola de Economia de São Paulo. São Paulo, São Paulo,
dezembro/2007.

LOPEZ, J. A. Methods for Evaluating Value at Risk Estimates. Research and


Market Analisys Group, Federal Reserve Bank of New York, 1998. Dispónível em:<
http://www.newyorkfed.org/research/epr/98v04n3/9810lope.pdf>. Acesso em: 13 nov.
2012.

MACHRY, M. S. O uso do Value at Risk (VaR) como medida de risco para os


fundos de pensão. 2003. 130 f. Dissertação (Mestrado em Administração) – Fundação
Getúlio Vargas, Escola de Administração de Empresas de São Paulo. São Paulo, São
Paulo. 2003.

MINISTÉRIO DA FAZENDA. Portaria nº. 345 de 29/12/1998. Brasília. 1998.

MOLLICA, M. A. Uma avaliação de modelos de Value at Risk: comparação entre


métodos tradicionais e modelos de variância condicional. 1999. 84 f. Dissertação
(Mestrado em Economia) – Faculdade de Economia, Administração e Contabilidade
da Universidade de São Paulo. São Paulo, São Paulo. 1999.

MORAES, J. R. de, ARAÚJO, C. R. F. de. Mercado Financeiro: administração de


títulos – Uma visão do risco. Rio de Janeiro. Qualitymark, 2009. 192 p.

NIFFIKEER, C. I., HEWINS, R. D., FLAVELL, R. B. A Synthetic Factor Approach


to the Estimation of Value-at-risk of a Portfolio of Interest Rate Swaps. Journal of
Banking & Finance 24, p. 1903-1932. 2000. Disponível em:
<http://elmu.umm.ac.id/file.php/1/jurnal/J-a/Journal%20Of%20Banking%20And% 20
Finance/Vol24.Issue12.2001/1524.pdf> . Acesso em 20 out. 2012.

OHANIAN, G. Operações indexadas ao percentual do CDI: precificação e hedge


dinâmico usando o contrato DI futuro da BM&F. In: V ENCONTRO
BRASILEIRO DE FINANÇAS. São Paulo. jul. 2005. Disponível em: <
http://bibliotecadigital.fgv.br/ocs/index.php/ebf/5EBF/paper/viewFile/1449/568>.
Acesso em 14 mar.2013.
OLIVEIRA, M. R. G. Gerenciamento do Risco de Mercado Baseado no Value at
Risk estatístico e dinâmico para carteira de ações e opções negociadas na
BOVESPA. Tese (Doutorado em Economia) – Universidade Federal de Pernambuco.
Recife, 2005. Disponível em: <http://bdtu.ufpe.br/tedeSimplificado//tde_busca/
arquivo.php?codArquivo=691>. Acesso em 2 nov. 2012.

PAIVA, E. V. dos S., SAVOIA, J. R. F. Sensibilidade de preço de instrumentos de


renda fixa pós-fixados. In: X Semead – Seminário em Administração FEA-USP, São
Paulo, 09 e 10 agosto 2007. Disponível em: <http://www.ead.fea.usp.br/semead/
10_semead/sistema/resultado/trabalhosPDF/365.pdf>. Acesso em: 19 jan. 2013.

PETERNELLI, L. A., MELLO, M. P. Conhecendo o R – Uma visão estatística.


Viçosa, Ed. UFV, 2007. 181p.

SECRETARIA GERAL DA MARINHA. Normas sobre Administração Financeira


e Contabilidade - (SGM-301) 6ª revisão. Brasília. 30 dez/2008. 464p. 4 v.

_______. Orçamentação integral das Receitas do Fundo Naval (FN) e sua


aplicação em benefício das Organizações Militares arrecadadoras. Brasília.
Circular 2/2013. 3p.

SECURATO, J. R.. et al. Cálculo Financeiro das Tesourarias: bancos e empresas.


4ª ed. São Paulo, Saint Paul editora, 2008. 430 p.

SILVA, W. V.. et al. Aplicação da Métrica Value at Risk a índices de bolsas de


valores de países latino-americanos: um estudo utilizando os modelos de previsão
de volatilidade EWMA, EQMA e GARCH. Revista Perspectiva, Erechim, ano 34,
n.126, p. 19-32, jun. 2010.

SOUZA, L. A. R.. Metodologias de cálculo de VaR. Jan/2003. Disponível em:


<http://www.risktech.com.br/ ArtigosTecnicos>. Acesso em 11 out. 2012.

________. Monitoramento de Risco de Mercado em base diária. Nov/2012.


Disponível em :<http://www.risktech.com.br/Artigos/monitoramento%20de%20risco.
asp>. Acesso em 06 jan. 2013.

________.; SILVA, M. E.. Teoria de Valores Extremos para o cálculo de VaR.


Jul/1999. Disponível em: <http://www.risktech.com.br/PDFs/var-evt.pdf>. Acesso em
20 nov. 2012.
TAVARES, F. N. Estimando o Value at Risk de uma carteira de opções de IDI.
2008. 72 f. Dissertação (Mestrado profissionalizante em Economia) – Faculdade de
Economia e Finanças IBMEC. Rio de Janeiro, Rio de Janeiro. 2008.

VARGA, G. Cálculo do VaR para Títulos de Renda Fixa Indexados. In: II


ENCONTRO BRASILEIRO DE FINANÇAS. Rio de Janeiro. jul. 2002. Disponível
em <http://bibliotecadigital.fgv.br/ocs/index.php/ebf/2EBF/schedConf/presentations>.
Acesso em: 01 dez. 2012.

VEIGA, R. P. Um modelo de dois fatores para o cálculo do VaR de uma carteira


de Renda Fixa. 2002. 137 f. Dissertação (Mestrado em Administração) - Faculdade
de Economia, Administração e Contabilidade da Universidade de São Paulo. São
Paulo. São Paulo, 30/jul/2002.

VICENTE, J. V. M. Gestão de Riscos. 2010. Apostila do Curso de Gestão de Risco


da Associação Brasileira das Entidades dos Mercados Financeiro e de Capitais
(ANBIMA). Rio de Janeiro. Curso presencial realizado em mar/2010.
APÊNDICE A – Cálculo da duration, da duration modificada e da convexidade da
carteira ALFA

A.1 Aspectos iniciais

A carteira ALFA compõe-se de Letras Financeiras do Tesouro (LFT), Letras


Financeiras emitidas por bancos privados (LF) e Depósitos a Prazo com Garantia Especial
(DPGE). Enquanto estes dois tipos de títulos se apresentam indexados à remuneração dos
Certificados de Depósitos Interbancários (CDI), ou seja, com variações de mercado
diretamente relacionadas às oscilações desta taxa, o papel público tem seu preço intimamente
afetado pelo ágio ou deságio em que é negociado.

Diante desta exposição e considerando que o VaR pela metodologia que utiliza a
duration baseia-se na sensibilidade do valor do título em relação às oscilações das taxas de
juros, foram descartadas da carteira as LFT para aplicação dos cálculos da duration e da
convexidade.

Vale destacar que a duration varia na medida em que se modificam os prazos até o
vencimento e os valores presentes dos papéis. Isto implica a necessidade de realizar cálculos
diários.

A.2 Duration

Definindo-se a duration como a média dos prazos de vencimento de cada papel


ponderada pelos respectivos valores presentes, calculou-se a duration diária da carteira ALFA
pela fórmula a seguir.

(22)

Onde:
Dd é a duration diária da carteira ALFA;
VPi é o valor presente do i-ésimo papel da carteira ALFA;
duvi são os dias úteis até o vencimento do i-ésimo papel da carteira ALFA; e
n é o número de papéis da carteira.

A título de exemplo, a Tabela 24 apresenta os dados dos papéis da carteira ALFA,


referentes ao dia 13 de agosto de 2012, que foram utilizados no cálculo da duration.

Tabela 24: Carteira ALFA sem as LFTs em 13/08/12.


Dias úteis até Valor Presente
Nome TIPO Emissor
o vencimento (R$ milhões)
LF N LF0010000MX - 105% CDI Flut LF BRADESCO 10 11,09
LF N LF0010000MU - 106.5% CDI Flut LF BNP 10 11,13
DPGE N DPGE10001RV - 108% CDI Flut DPGE FIBRA 2 11,15
LF N LF00110012O - 108% CDI Flut LF SANTANDER 2 37,62
LF N LF00110012M - 106.5% CDI Flut LF BRADESCO 127 22,30

Elaboração: autor

Com base nas informações da Tabela 24 e utilizando-se a Planilha Excel@, a duration


encontrada no dia 13/08/12 foi de 33,78 dias. Todas as durations diárias foram anualizadas
(base 252 dias úteis) e, desta forma, a duration medida em anos do dia 13/08/12 foi de 0,1340
anos.

O valor presente da carteira (VPC) é a soma dos valores presentes dos papéis (VP).

(23)

No dia 13/08/12 o VPC ALFA, sem as LFTs era de R$ 93.322.766,73.

A.3 Duration modificada

A duration modificada diária foi estabelecida com base na fórmula:

(24)

Onde:
é a duration modificada diária; e
ITS é a taxa de juros do título sintético20 equivalente à carteira.

Depreende-se da fórmula que para o cálculo da duration modificada faz-se necessário


utilizar os valores diários da duration já encontrados e as rentabilidades diárias (ITS).

No intuito de calcular ITS, foi necessário remunerar os títulos até a data da duration, a
fim de calcular diariamente os valores futuros em D.

O procedimento utilizado para levar os títulos até a data da duration passa pela
necessidade de calcular para cada papel, a rentabilidade média diária (taxas a termo). Para
isto, escolheu-se como parâmetro o vencimento DIJan13 extraído da Plataforma Bloomberg
(função “ICVS” – curva Pré x DI BM&F), sobre o qual foram aplicadas rentabilidades pós-
fixadas. Tendo em vista que entre os dias 04/07/2012 e 14/08/2012 a Caixa Econômica
Federal não registrou novas cotações dos papéis constantes da carteira, foi considerado que as
rentabilidades referenciadas em CDI se mantiveram inalteradas para esta análise para todos os
instantes da curva.

No dia de exemplo, ou seja, em 13/08/12, a taxa DIJan13 era de 7,25% ao ano.

Para o cálculo dos valores futuros de cada papel foi utilizada a fórmula seguinte:

(25)

Onde:
VFd é o valor futuro do papel na data da duration;
VPi é o valor presente do papel na data i;
DIJAN13i é a taxa DI do papel para Jan13 na data i;
PerP é o percentual negociado do papel; e
Ddi é a duration do papel no dia i.

A Tabela 25 apresenta os valores futuros na data da duration para o dia 13/08/12.

20
Título sintético, segundo Securato (2008), corresponde a um título fictício equivalente a um conjunto de
papéis com vencimentos distribuídos ao longo do tempo. O fluxo de caixa deste título tem seu valor de resgate
na data da duration.
Tabela 25: Carteira ALFA sem as LFTs em 13/08/12. Valores futuros na data da duration.

Valor Futuro na data


Nome TIPO Emissor
da Duration (R$ milhões)

LF N LF0010000MX - 105% CDI Flut LF BRADESCO 11,21


LF N LF0010000MU - 106.5% CDI Flut LF BNP 11,24
DPGE N DPGE10001RV - 108% CDI Flut DPGE FIBRA 11,27
LF N LF00110012O - 108% CDI Flut LF SANTANDER 38,02
LF N LF00110012M - 106.5% CDI Flut LF BRADESCO 22,53

Elaboração: autor

O valor futuro da carteira na data da duration (VFCd) é o somatório dos valores


futuros de cada papel na data da duration (VFd).
(26)

Em nosso exemplo, no dia 13/08/12, o VFCd era de R$ 94.265.274,13.

Desse modo, a taxa de rentabilidade da carteira (1+ITS) para cada dia foi assim
calculada:

(27)

No dia 13/08/12, a rentabilidade da carteira (1+ITS) = 1,010.

Retomando a fórmula da duration modificada diária (Dmd) conforme em (24), para o


dia 13/08/12, o valor encontrado já anualizado foi de 0,12436 anos.

A.4 Convexidade

Finalmente, de posse de todas estas informações, foram calculadas as convexidades


diárias (Conv,d) por meio da seguinte fórmula:

(28)

Desse modo, em relação à data exemplo do dia 13/08/12, a convexidade calculada


anualizada foi de 0,13084.